Buku ini ditujukan sebagai bahan pengantar (atau penunjang) mata kuliah
machine learning untuk mahasiswa di Indonesia, khususnya tingkat sarjana
(tidak menutup kemungkinan digunakan untuk tingkat pascasarjana). Buku
ini hanya merupakan komplemen, bukan sumber informasi utama. Buku ini
memuat materi dasar machine learning, yang ditulis sedemikian rupa se-
hingga pembaca mampu mendapatkan intuisi. Pembaca masih harus mem-
baca buku-buku lainnya untuk mendapatkan pemahaman lebih dalam.
Walaupun tidak sempurna, mudah-mudahan buku ini mampu memberi in-
spirasi. Anggap saja membaca buku ini seperti sedang membaca “light novel ”.
Penulis ingin buku ini bisa menjadi pointer ; i.e. dengan membaca buku ini,
diharapkan kawan-kawan juga mengetahui harus belajar apa (lebih jauhnya)
dalam bidang machine learning. Setelah membaca buku ini, pembaca diharap-
kan mampu membaca literatur machine learning yang dijelaskan secara lebih
matematis (kami memberi rekomendasi bacaan lanjutan).
Di Indonesia, penulis banyak mendengar baik dari teman, junior, senior,
dll; suatu pernyataan “kuliah mengajari teori saja, praktiknya kurang, dan
tidak relevan dengan industri”. Menurut saya di satu sisi itu benar; tapi
di sisi lain, karena permikiran macam itu terkadang kita tidak benar-benar
mengerti permasalahan. Ketika mengalami kendala, kita buntu saat mencari
solusi karena fondasi yang tidak kokoh. Banyak orang terburu-buru “meng-
gunakan tools” karena lebih praktikal. Penulis ingin mengajak saudara/i un-
tuk memahami konsep machine learning secara utuh sebelum memanfaatkan.
Ada perbedaan yang mendasar antara hanya mampu menggunakan tools dan
mengerti konsep secara utuh.
Buku ini menjelaskan algoritma machine learning dari sudut pandang
“agak” matematis. Pembaca disarankan sudah memahami/mengambil seti-
daknya mata kuliah statistika, kalkulus, aljabar linear, pengenalan kecer-
dasan buatan, dan logika fuzzy. Penulis merasa banyak esensi yang hilang
ketika materi machine learning hanya dijelaskan secara deskriptif karena
itu buku ini ditulis dengan bahasa “agak” matematis. Walaupun demikian,
penulis berusaha menggunakan notasi matematis seminimal dan sesederhana
VIII Kata Pengantar
Petunjuk Penggunaan
Struktur penyajian buku ini dapat dijadikan acuan sebagai struktur kuliah
machine learning untuk satu semester (bab 1 untuk sesi pertama, dst). Agar
dapat memahami materi per bab, bacalah keseluruhan isi bab secara utuh se-
belum mempertanyakan isi materi. Penulis sangat menyarankan untuk mem-
bahas soal latihan sebagai tambahan materi (bisa juga sebagai PR). Soal
latihan ditujukan untuk mengarahkan apa yang harus dibaca/dipahami lebih
lanjut.
Pembaca dipersilahkan menyebarkan (share) buku ini untuk alasan NON
KOMERSIAL (pendidikan), tetapi dimohon kesadarannya untuk tidak
menyalin /meniru isi buku ini. Bila ingin memuat konten diktat ini pada
media yang pembaca kelola, dimohon untuk mengontak pengarang terlebih
dahulu. Tidak semua istilah bahasa asing diterjemahkan ke Bahasa Indonesia
supaya makna sebenarnya tidak hilang (atau penulis tidak tahu versi Bahasa
Indonesia yang baku).
Bab lebih awal memuat materi yang relatif lebih “mudah” dipahami
dibanding bab berikutnya. Buku ini memberikan contoh dimulai dari contoh
sederhana (beserta contoh data). Semakin menuju akhir buku, notasi yang
digunakan akan semakin simbolik, beserta contoh yang lebih abstrak. Penulis
sangat menyarankan untuk membaca buku ini secara sekuensial.
Kutipan
Buku ini tergolong self-published work, tetapi sudah di-review oleh beberapa
orang. Kami yakin para reviewers adalah orang yang berkompeten. Silahkan
merujuk buku ini sesuai dengan paduan cara merujuk self-published work
(apabila diperbolehkan untuk merujuk self-published work pada pekerjaan
kamu).
Notasi Penting
Karakter bold kapital merepresentasikan matriks (X, Y, Z). Dimensi ma-
triks ditulis dengan notasi N × M dimana N merepresentasikan banyaknya
baris dan M merepresentasikan banyaknya kolom. Elemen matriks direpresen-
tasikan oleh Xi,j , X[i,j] , atau xi,j untuk baris ke-i kolom ke-j (penggunaan
akan menyesuaikan konteks pembahasan agar tidak ambigu). Karakter di-
bold merepresentasikan vektor (x). Elemen vektor ke-i direpresentasikan oleh
Kata Pengantar IX
1 Pengenalan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1 Kecerdasan Buatan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Intelligent Agent . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Konsep Belajar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4 Statistical Learning Theory . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5 Training, Development, Testing Set . . . . . . . . . . . . . . . . . . . . . . . . 10
1.6 Supervised Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.7 Regresi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.8 Semi-supervised Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.9 Unsupervised Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.10 Proses Belajar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.11 Tips . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.12 Contoh Aplikasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
Soal Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2 Fondasi Matematis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.1 Probabilitas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2 Probability Density Function . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.3 Expectation dan Variance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.4 Bayesian Probability . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.5 Gaussian Distribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.6 Teori Keputusan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.7 Teori Informasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.8 Matriks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.9 Bacaan Lanjutan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
Soal Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
XII Daftar Isi
3 Data Analytics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.1 Pengenalan Data Analytics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.2 Nilai Atribut dan Transformasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.3 Ruang Konsep . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.4 Linear Separability . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.5 Seleksi Fitur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.6 Classification, Association, Clustering . . . . . . . . . . . . . . . . . . . . . . 41
3.7 Mengukur Kinerja . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.8 Evaluasi Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.9 Kategori Jenis Algoritma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.10 Tahapan Analisis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
Soal Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4 Algoritma Dasar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.1 Naive Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.2 K-means . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.3 K-nearest-neighbor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
Soal Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
5 Model Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.1 Curve Fitting dan Error Function . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.2 Binary Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
5.3 Log-linear Binary Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
5.4 Multi-label Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
5.5 Pembelajaran sebagai Permasalahan Optimisasi . . . . . . . . . . . . . 64
5.6 Batasan Model Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
5.7 Overfitting dan Underfitting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
5.8 Regularization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.9 Transformasi Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.10 Bacaan Lanjutan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
Soal Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
6 Pohon Keputusan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
6.1 Inductive Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
6.2 ID3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
6.3 Isu pada ID3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
6.4 Pembagian Ruang Konsep . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
Soal Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
Daftar Isi XIII
10 Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
10.1 K-means, Pemilihan Centroid, Kemiripan Data . . . . . . . . . . . . . . 122
10.2 Hierarchical Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
10.3 Evaluasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
Soal Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
12 Autoencoder . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
12.1 Representation Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
12.2 Singular Value Decomposition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
12.3 Ide Dasar Autoencoder . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
12.4 Resisting Perturbation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
12.5 Representing Context: Word Embedding . . . . . . . . . . . . . . . . . . . 156
12.6 Tips . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
Soal Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
Referensi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209
Bagian I
Pengetahuan Dasar
1
Pengenalan
Pedro Domingos
Penulis yakin istilah machine learning atau deep learning sudah tidak as-
ing di telinga pembaca. Machine learning dan deep learning adalah salah
satu materi kuliah pada jurusan Teknik Informatika atau Ilmu Komputer. Se-
lain mengenal kedua istilah tersebut di kuliah, pembaca mungkin mengenal
istilah tersebut karena digunakan untuk pemasaran (marketing). Sebagai per-
mulaan, machine learning dan deep learning bukanlah kedua hal yang sangat
berbeda1 . Perlu diingat, deep learning adalah bagian dari machine learning.
Machine learning sudah diaplikasikan pada banyak hal, baik untuk klasifikasi
gambar, mobil tanpa pengemudi, klasifikasi berita, dsb. Bab ini menjelaskan
konsep paling dasar dan utama machine learning.
yang ramah bagi manusia. Tidak mesti memiliki raga fisik, kecerdasan buatan
sesungguhnya adalah program2 yang memiliki bentuk matematis (instruksi);
kita sebut sebagai agen. Berbeda dengan program biasa yang menghasilkan
aksi berdasarkan instruksi, tujuan kecerdasan buatan adalah menciptakan
program yang mampu mem-program (output program adalah sebuah pro-
gram). Secara teori, program adalah automaton 3 yang menjalankan suatu
instruksi. Sama halnya dengan program pada umumnya, agen kecerdasan bu-
atan juga menjalankan suatu instruksi. Yang menjadikanya beda dengan pro-
gram biasa adalah kemampuan untuk belajar4 . “Belajar” yang dimaksud
tidaklah sama dengan proses manusia belajar. Mesin mampu belajar apabila
ia mampu meng-update parameter (dijelaskan lebih detil kemudian).
Pada bidang keilmuan kecerdasan buatan, kita ingin menciptakan agen
yang mampu melakukan pekerjaan yang membutuhkan kecerdasan manusia.
Perhatikan, disini disebut kecerdasan manusia; hewan pun cerdas, tapi ke-
cerdasan manusia dan hewan berbeda; yang kita ingin aproksimasi adalah
kecerdasan manusia. Akan tetapi, kecerdasan manusia susah didefinisikan
karena memiliki banyak aspek misalnya nalar (logika), kemampuan berba-
hasa, seni, dsb. Karena kecerdasan manusia memiliki banyak dimensi, kita
dapat mencoba menyelesaikan masalah pada sub bidang lebih kecil (divide
and conquer ). Sampai saat ini pun, peneliti belum juga mengetahui secara
pasti apa yang membuat manusia cerdas, apa itu sesungguhnya cerdas, dan
bagaimana manusia dapat menjadi cerdas. Dengan demikian, keilmuan kecer-
dasan buatan adalah interdisiplin, memuat: psikologis, linguistik, ilmu kom-
puter, biologi, dsb. Bila kamu bertanya apakah program deterministik dapat
disebut kecerdasan buatan, jawabannya “iya”, to some extent (sampai pada
level tertentu) karena memenuhi dimensi acting rationally (dijelaskan pada
subbab 1.2).
Permasalahan utama bidang kecerdasan buatan terdiri dari (dari klasik
sampai lebih modern)5 , yaitu:
1. Planning. Diberikan start state dan goal state, agen harus merencanakan
sekuens aksi untuk merubah start state menjadi goal state. Contoh per-
masalahan planning adalah merencanakan rute perjalanan dari kota A
ke kota B. Bisa jadi, saat merencanakan sekuens aksi, ada kendala (con-
straints) yang harus dioptimisasi.
2
Secara sederhana, program adalah kumpulan atau sekuens instruksi.
3
Kami sarankan untuk membaca buku [2] untuk materi automata.
4
Perlu diperhatikan, definisi ini adalah pandangan modern.
5
Silahkan merujuk Association for the Advancement of Artificial Intelligence
(AAAI).
1.1 Kecerdasan Buatan 5
1. Acting Humanly . Pada dimensi ini, agen mampu bertingkah dan berin-
teraksi layaknya seperti manusia. Contoh terkenal untuk hal ini adalah
turing test. Tujuan dari turing test adalah untuk mengevaluasi apakah
suatu sistem mampu “menipu” manusia. Disediakan seorang juri, kemu-
dian juri berinteraksi dengan sesuatu di balik layar. Sesuatu di balik layar
ini bisa jadi manusia atau program. Program dianggap mampu bertingkah
(berinteraksi) seperti layaknya manusia apabila juri tidak dapat membe-
dakan ia sedang berkomunikasi dengan manusia atau program.
optimal).
6
Buku ini berfokus pada performance measure secara matematis, buku lain belum
tentu berfokus pada hal yang sama.
8 1 Pengenalan
7
KBBI Web, diakses pada 10 Oktober 2016
8
Baca zero-shot learning
1.4 Statistical Learning Theory 9
10
Pada umumnya bertindak sebagai stopping criterion saat proses training.
1.5 Training, Development, Testing Set 11
1. Training set adalah himpunan data yang digunakan untuk melatih atau
membangun model. Pada buku ini, istilah training data(set) mengacu
pada training set.
2. Development set atau validation set adalah himpunan data yang di-
gunakan untuk mengoptimisasi saat melatih model. Model dilatih meng-
gunakan training set dan pada umumnya kinerja saat latihan diuji den-
gan development set. Hal ini berguna untuk generalisasi (agar model
mampu mengenali pola secara generik). Pada buku ini, istilah develop-
ment/validation data(set) mengacu pada hal yang sama.
3. Testing set adalah himpunan data yang digunakan untuk menguji model
setelah proses latihan selesai. Pada buku ini, istilah testing data(set)
atau test set mengacu pada testing set. Perlu kami tekankan, testing set
adalah unseen data. Artinya, model dan manusia tidak boleh melihat sam-
pel ini saat proses latihan. Banyak orang yang tergoda untuk melihat test-
ing set saat proses latihan walaupun itu adalah tingkah laku yang buruk
karena menyebabkan bias.
Satu sampel pada himpunan data kita sebut sebagai data point atau in-
stans (instance) yang merepresentasikan suatu kejadian statistik (event).
Perlu diingat, training, development, dan testing data diambil (sampled ) dari
distribusi yang sama dan memiliki karakteristik yang sama (independently
and identically distributed ). Distribusi pada masing-masing dataset ini juga
sebaiknya seimbang (balanced ) dan memuat seluruh kasus. Misal, sebuah
dataset binary classification sebaiknya memuat 50% kasus positif dan 50%
kasus negatif.
Pada umumnya, rasio pembagian dataset adalah (80% : 10% : 10%)
atau (90% : 5% : 5%) (training:development:testing). Development set pada
umumnya bisa tidak digunakan apabila dataset berukuran kecil (hanya dibagi
menjadi training dan testing set saja). Dalam kasus ini, pembagian dataset
menjadi training dan testing set pada umumnya memiliki rasio (90% : 10%),
(80% : 20%), (70% : 30%), atau (50% : 50%). Pada kasus ini, kinerja saat
training diuji menggunakan training set (dikenal sebagai closed testing ).
Saat tidak menggunakan development set (hanya ada training dan testing
set), kita juga memiliki opsi untuk mengevaluasi model dengan metode K-
cross-validation 11 . Artinya, kita membagi training dataset menjadi K bagian.
Kita menggunakan K − 1 bagian untuk training, kemudian menguji kinerja
model saat latihan (validation) menggunakan satu bagian. Hal ini diulangi
sebanyak K kali dimana sebuah bagian data digunakan sebagai testing set
sebanyak sekali (bergilir). Hal ini akan dijelaskan lebih lanjut pada bab-bab
selanjutnya.
11
https://www.openml.org/a/estimation-procedures/1
12 1 Pengenalan
Perhatikan Gambar 1.6 dan Gambar 1.7, x adalah kejadian (event – ran-
dom variable), untuk event tertentu dapat dinotasikan sebagai {x1 , x2 , x3 , · · · ,
xN }. x dapat berupa vektor, teks, gambar, dan lain sebagainya (perhatikan
konteks pembahasan buku). Demi pembahasan yang cukup generik, pada bab
ini kita membicarakan x yang merepresentasikan event, data point, atau input.
Seorang guru sudah mempunyai jawaban yang benar untuk masing-masing
contoh dengan suatu fungsi distribusi probabilitas kondisional (conditional
probability density function) q(y | x) baca: function q for y given x,
melambangkan hasil yang benar/diharapkan untuk suatu event. Siswa (mesin)
mempelajari tiap pasang pasangan input-desired output (training
data) dengan mengoptimalkan conditional probability density function p(y |
x, w), dimana y adalah target (output), x adalah input dan vektor w adalah
learning parameters. Proses belajar ini, yaitu mengoptimalkan w disebut
sebagai training. Semakin kamu membaca buku ini, konsep ini akan men-
jadi semakin jelas. Proses training bertujuan untuk mengaproksimasi q(y | x)
melalui p(y | x, w).
1.6 Supervised Learning 13
Perhatikan Gambar 1.8! model memiliki panah ke training data dan test
data, artinya model hasil training sangat bergantung pada data dan guru.
Model yang dihasilkan training (hasil pembelajaran kemampuan siswa) untuk
data yang sama bisa berbeda untuk guru yang berbeda12 .
Tujuan supervised learning, secara umum untuk melakukan klasifikasi
(classification). Misalkan mengklasifikasikan gambar buah (apa nama buah
pada gambar), diilsutrasikan pada Gambar 1.9. Apabila hanya ada dua kate-
gori, disebut binary classification. Sedangkan bila terdapat lebih dari dua
12
Penulis rasa hal ini sangat intuitif berhubung hal serupa terjadi pada manusia.
14 1 Pengenalan
p(y | x, w) (1.1)
Pemahaman supervised learning adalah mengingat persamaan 1.1. Ada
tiga hal penting pada supervised learning yaitu input, desired output, dan
learning parameters. Perlu ditekankan learning parameters berjumlah lebih
dari satu, dan sering direpresentasikan dengan vektor (bold ) atau matriks.
Berdasarkan model yang dibuat, kita dapat melakukan klasifikasi (misal sim-
bol yang ditulis di papan adalah angka berapa). Secara konseptual, klasifikasi
didefinisikan sebagai persamaan 1.2 yaitu memilih label (kelas/kategori y)
paling optimal dari sekumpulan label C, diberikan (given) suatu instans data
tertentu.
1.7 Regresi
Pada persoalan regresi, kita ingin memprediksi output berupa bilangan kon-
tinu. Misalnya pada regresi suatu fungsi polinomial, kita ingin mencari tahu
fungsi f (x) diberikan data {(x1 , y1 ), · · · , (xN , yN )}. Setelah itu, kita gunakan
fungsi aproksimasi untuk mencari tahu nilai yN +1 dari data baru xN +1 . Perbe-
daan regresi dan klasifikasi adalah pada tipe output. Untuk regresi, tipe output
adalah nilai kontinu; sementara tipe output pada persoalan klasifikasi adalah
suatu objek pada himpunan (i.e., memilih opsi pada himpunan jawaban).
Tetapi, kita dapat mengkonversi fungsi regresi menjadi fungsi klasifikasi (di-
jelaskan pada bab 5).
tidak ada “kunci jawaban” eksplisit yang harus dibuat guru. Kunci jawaban
ini dapat diperoleh secara otomatis (misal dari hasil clustering). Pada kate-
gori pembelajaran ini, umumnya kita hanya memiliki sedikit data. Kita ke-
mudian menciptakan data tambahan baik menggunakan supervised ataupun
unsupervised learning, kemudian membuat model belajar dari data tambahan
tersebut.
Jika pada supervised learning ada guru yang mengajar, maka pada unsu-
pervised learning tidak ada guru yang mengajar. Contoh permasalahan unsu-
pervised learning adalah clustering. Mengingat contoh kue sebelumnya, kita
ingin mengelompokkan kue-kue yang sama, diilustrasikan oleh Gambar 1.10.
Yang kamu lakukan adalah membuat kelompok-kelompok berdasarkan karak-
teristik kue, misal kelompok kue biru, kelompok kue kuning, atau kelom-
pok kue merah. Teknik-teknik mengelompokkan ini akan dibahas pada bab-
bab berikutnya. Contoh algoritma unsupervised learning sederhana adalah
K-means (bab 4).
Perhatikan Gambar 1.11 dan Gambar 1.12! Berbeda dengan supervised
learning yang memiliki desired output, pada unsupervised learning tidak ada
desired output (jelas, tidak ada gurunya, tidak ada yang memberi contoh).
Kita ingin mencari tahu distribusi asli data q(x), berdasarkan beberapa sam-
pel data. Learning dilakukan dengan mengoptimalkan p(x | w) yang men-
goptimasi parameter w. Perbedaan antara estimasi dan fungsi asli disebut
sebagai generalization loss (atau loss saja – dijelaskan pada bab 5). Kunci
pemahaman unsupervised learning adalah mengingat persamaan 1.3, yaitu
ada input dan parameter.
16 1 Pengenalan
p(x | w) (1.3)
Perlu kami tekankan, unsupervised learning 6= clustering! Clustering adalah
salah satu bentuk unsupervised learning; yaitu salah satu hasil inferensi per-
samaan 1.3. Unsupervised learning adalah mencari sifat-sifat (properties)
data. Kita ingin aproksimasi p(x | w) semirip mungkin dengan q(x), dimana
q(x) adalah distribusi data yang asli. Dataset di-sampel dari distribusi q(x),
kemudian kita ingin mencari tahu q(x) tersebut.
1.11 Tips
Jujur, pengarang sendiri belum menguasai bidang ini secara penuh, tetapi
berdasarkan pengalaman pribadi (+ membaca) dan beberapa rekan; ada be-
berapa materi wajib yang harus dipahami untuk mengerti bidang machine
learning. Sederhananya, kamu harus menguasai banyak teori matematika dan
probabilitas agar dapat mengerti machine learning sampai tulang dan jeroan-
nya. Kami tidak menyebutkan bahwa mengerti machine learning secara in-
tuitif (atau belajar dengan pendekatan deskriptif) itu buruk, tetapi untuk
mengerti sampai dalam memang perlu mengerti matematika (menurut pen-
galaman kami). Disarankan untuk belajar materi berikut:
1. Matematika Diskrit dan Teori Bilangan
2. Aljabar Linier dan Geometri (vektor, matriks, skalar, dekomposisi, trans-
formasi, tensor, dsb)
3. Kalkulus (diferensial dan integral)
4. Teori Optimasi (Lagrange multiplier, Convex Iptimization, Gradient De-
scent, Integer Linear Problem, dsb)
5. Probabilitas dan Statistika (probabilitas, probability densities, hypothesis
testing, inter-rater agreement, Bayesian, statistical mechanics)
13
Saat membaca ini, kamu mungkin akan menganggap bahwa teknik machine learn-
ing adalah fungsi-parametrik. Sebenarnya, ada juga algoritma machine learning
non-parametrik.
18 1 Pengenalan
6. Teori Fuzzy
Mungkin kamu sudah tahu, tetapi penulis ingin mengingatkan ada dua
buku yang sangat terkenal (“kitab”) sebagai materi belalajar machine learn-
ing dan deep learning:
1. Patten Recognition and Machine Learning, oleh Christopher M. Bishop [8]
2. Deep Learning, oleh Ian Goodfellow, Yoshua Bengio, dan Aaron Courville [11]
Apabila pembaca memiliki kesempatan, penulis sarankan untuk membaca ke-
dua buku tersebut.
Soal Latihan
1.1. Aplikasi
(a) Carilah contoh-contoh penerapan machine learning pada kehidupan sehari-
hari selain yang telah disebutkan!
(b) Mengapa mereka menggunakan teknik machine learning untuk menyele-
saikan permasalahan tersebut?
(c) Apakah tidak ada opsi teknik lainnya? Jelaskan bila ada!
(d) Apa kelebihan dan kekurangan teknik machine learning daripada teknik
lainnya (yang kamu jelaskan pada soal (c))?
1.2. Kecerdasan
Jelaskan tahapan perkembangan kecerdasan manusia berdasarkan kategori
usia! Dari hal ini, kamu akan mengerti kenapa beberapa peneliti membuat
agen cerdas berdasarkan kategori usia tertentu.
2
Fondasi Matematis
Andrew Lang
Mungkin saat pertama kali membaca bab ini, kamu merasa bab ini tidak
masuk akal/kurang dibutuhkan. Seiring membaca buku ini, mungkin bab ini
akan sering dikunjungi kembali. Bab ini hanyalah pengingat materi yang su-
dah kamu pernah pelajari saja (semacam cheatsheet). Kamu boleh melewati
bab ini apabila sudah familiar dengan materi probabilitas, statistika, serta
aljabar linier.
Bab ini memuat sekilas tentang probabilitas, statistika, dan operasi ma-
triks. Tentunya untuk mengerti materi tersebut sebaiknya kamu mengambil
kuliah khusus berkaitan karena kamu diharapkan sudah memiliki “cukup latar
pengetahuan”, bab ini sebenarnya hanyalah sekilas pengingat. Kami akan
banyak memakai contoh-contoh dari buku Bishop [8] untuk materi probabili-
tas.
2.1 Probabilitas
Di dunia ini, ada banyak hal yang tidak pasti (uncertain). Ssungguhnya, ma-
chine learning berurusan dengan ketidakpastian (uncertainty). Dengan hal
itu, machine learning memiliki kaitan yang sangat erat dengan statistika.
Probabilitas menyediakan framework untuk kuantifikasi dan manipulasi keti-
dakpastian [8]. Mari kita lihat contoh sederhana. Terdapat dua buah kotak
berwarna merah dan berwarna biru. Pada kotak merah terdapat 3 apel dan
1 jeruk. Pada kotak biru, terdapat 2 apel dan 4 jeruk, kita ingin mengambil
buah dari salah satu kotak tersebut. Ilustrasi persoalan dapat dilihat pada
20 2 Fondasi Matematis
Gambar 2.1. Dalam hal ini, kotak adalah random variable. Random variable
k (melambangkan kotak) dapat bernilai merah atau biru. Begitu pula dengan
buah, dilambangkan dengan variabel b, dapat bernilai apel atau jeruk.
Saat kita mengambil buah dari kotak biru, peluang untuk memilih apel
bernilai 2/6, sedangkan peluang untuk memilih jeruk bernilai 4/6; kita tulis
probabilitas ini sebagai P (b = apel) = 2/6; dan P (b = jeruk) = 4/6. Artinya,
jika kita mengambil buah dari kotak biru, kemungkinan lebih banyak kejadian
saat kita mendapat jeruk. Nilai suatu probabilitas harus lebih besar sama
dengan nol sampai kurang dari atau sama dengan satu (0 ≤ P ≤ 1). Nilai nol
berarti suatu kejadian tidak mungkin muncul, sementara nilai satu berarti
suatu kejadian pasti terjadi.
Lalu sekarang ada pertanyaan baru; pada suatu percobaan, berapakah
probabilitas mengambil sebuah apel dari kotak biru atau sebuah jeruk dari
kotak merah. Hal ini dituliskan sebagai P ((k = biru, b = apel) atau (k =
merah, b = jeruk)). Nilai probabilitas tersebut dapat dihitung dengan
P (x, y)
P (x | y) = (2.4)
P (y)
id nilai
1 50
2 75
3 80
4 100
5 50
6 50
7 75
8 80
9 40
10 10
Tabel 2.1. Contoh daftar nilai siswa
Histogram of data
0.4
0.3
Probabilitas
0.2
0.1
0.0
20 40 60 80 100
Nilai
Ini adalah contoh untuk data diskrit, tetapi sering kali kita berurusan
dengan data kontinu. Untuk mengetahui nilai probabilitas dari himpunan
event/kejadian, kita dapat mengintegralkan kurva distribusi kejadian pada
interval tertentu. Ciri probability density function,
R∞ nilai dibawah kurva pada
interval −∞ sampai ∞ adalah 1 (p(x) ≥ 0; −∞ p(x)dx = 1).
dapat diulangi (pergi ke mars, lihat berapa orang yang hidup). Akan tetapi,
tentunya kita memiliki sebuah asumsi awal (prior ). Dengan sebuah alat cang-
gih baru, kita dapat mengumpulkan data baru tentang Mars. Dengan data
tersebut, kita mengoreksi pendapat kita tentang Mars (posterior ). Hal ini
menyebabkan perubahan dalam pengambilan keputusan.
Pada keadaan ini, kita ingin mampu menguantifikasi ekspresi ketidakpas-
tian; dan membuat revisi tentang ketidakpastian menggunakan bukti baru [8].
Dalam Bayesian, nilai probabilitas digunakan untuk merepresentasikan dera-
jat kepercayaan/ketidakpastian.
P (y | x)P (x)
P (x | y) = (2.8)
P (y)
P (x) disebut prior, yaitu pengetahuan/asumsi awal kita. Setelah kita
mengobservasi fakta baru y (dapat berupa sekumpulan data atau satu data
point/event), kita mengubah asumsi kita. P (y | x) disebut likelihood func-
tion. Likelihood function mendeskripsikan peluang data, untuk asumsi/ penge-
tahuan tentang x yang berubah-ubah (x sebagai parameter yang dapat
diatur). Dengan likelihood function tersebut, kita mengoreksi pendapat akhir
kita yang dapat digunakan untuk mengambil keputusan (posterior ). Secara
umum probabilitas Bayesian mengubah prior menjadi posterior akibat adanya
kepercayaan baru (likelihood ).
Distribusi adalah fenomena acak atau deskripsi matematis suatu random vari-
able. Kamu harusnya sudah mengetahui distribusi ini. Ini adalah distribusi
yang sangat terkenal yaitu bell curve/distribusi normal. Distribusi normal
adalah bentuk khusus dari Gaussian distribution. Ada beberapa macam dis-
tribusi yang akan dibahas pada bab ini, yaitu: Univariate Gaussian, Multivari-
ate Gaussian, dan Gaussian Mixture Model. Pertama kita bahas Univariate
Gaussian terlebih dahulu.
Disebut univariate karena distribusinya bergantung pada satu input vari-
abel, misalkan x. Distribusi univariate Gaussian dikarakteristikkan oleh vari-
abel x, mean (µ) dan variance (σ 2 ) diberikan pada persamaan 2.10. µ dan
σ 2 adalah rata-rata dan variance untuk kumpulan data. Karena nilai µ dan
σ 2 bergantung pada x, maka kita dapat menyebutkan dengan aman bahwa
univariate gaussian bergantung pada satu variabel saja yaitu x.
(x − µ)2
1
N (x|µ, σ 2 ) = √ exp − (2.10)
2πσ 2 2σ 2
1
Gambar 2.3. Univariate Gaussian
Perhatikan Gambar 2.3, x adalah absis dan nilai N untuk x tertentu (per-
samaan 2.10) adalah ordinat pada kurva ini. Bentuk distribusi berubah-ubah
sesuai dengan nilai rata-rata (mean), serta variance. Semakin besar variance-
nya, maka kurva distribusi semakin lebar (seperti yang dijelaskan sebelum-
nya). Untuk menggeser-geser kurva ke kiri maupun ke kanan, dapat dilakukan
1
source: wikimedia.org by Inductiveload
26 2 Fondasi Matematis
dengan menggeser nilai mean. Untuk mencari nilai pada suatu interval ter-
tentu, cukup mengintegralkan fungsi pada interval tersebut. Nilai integral
fungsi dari −∞, hingga ∞ adalah satu.
Sekarang bayangkan kita diberikan N buah data hasil observasi. Diasum-
sikan observasi dihasilkan oleh distribusi univariate Gaussian dengan rata-rata
µ dan variance σ 2 . Setiap data diambil secara independen dari distribusi yang
sama, disebut independent and identically distributed (iid). Kita tahu
bahwa data yang independen, apabila dihitung probabilitasnya maka tersusun
atas probabilitas masing-masing data, seperti pada persamaan 2.11.
N
Y
p(x|µ, σ 2 ) = N (xi |µ, σ 2 ) (2.11)
i=1
Kita ingin mencari tahu bagaimana distribusi yang sebenarnya. Untuk itu,
kita mengoptimalkan fungsi likelihood agar prior berubah menjadi posterior
(distribusi yang sebenarnya). Tetapi hal ini sulit dilakukan, bahkan sebaliknya
kita memaksimalkan log likelihood function berdasarkan data yang kita miliki.
Logaritma secara monotonik akan bertambah nilainya. Memaksimalkan fungsi
logaritma sebanding dengan meminimalkan error, hal ini diberikan pada per-
samaan 2.12.
N
2 1 X N N
ln(p(x|µ, σ )) = − 2 (xi − µ)2 − ln(σ 2 ) − ln(2π) (2.12)
2σ i=1 2 2
2
Kamu dapat mencoba menurunkannya sebagai latihan!
2.6 Teori Keputusan 27
Gaussian memiliki bobot yang berbeda di GMM. Konon katanya, GMM da-
pat memodelkan fungsi apapun [12]. Ilustrasinya diberikan pada Gambar 2.4
yang tersusun dari 3 buah Univariate gaussian. Distribusi populasi berwarna
merah, sedangkan GMM berwarna biru.
3
Gambar 2.4. Gaussian Mixture Model
3
http://dirichletprocess.weebly.com/clustering.html
28 2 Fondasi Matematis
N
1 X
T (p) = log(p(x)) (2.15)
N i=1
Tentunya sekarang kamu bertanya-tanya. Kita tidak mengetahui bagaimana
q(x) aslinya, bagaimana cara menghitung generalization loss? Nah, untuk it-
ulah ada teknik-teknik pendekatan distribusi populasi q(x), misalnya max-
imum likelihood method, maximum posterior method dan Bayesian
method (silahkan dieksplorasi). Bentuk persamaan 2.15 memiliki kaitan den-
gan confidence. Konsep ini akan dijelaskan lebih detil pada bab 5.
Secara lebih filosofis, berkaitan dengan meminimalkan loss; tugas machine
learning adalah untuk menemukan struktur tersembunyi (discovering hidden
structure). Hal ini sangat erat kaitannya dengan knowledge discovery dan data
mining. Bila kamu membuka forum di internet, kebanyakan akan membahas
perihal learning machine yang memaksimalkan akurasi (meminimalkan er-
ror ). Selain harus memaksimalkan akurasi (meminimalkan salah assignment),
kita juga harus mampu membuat model yang cukup generik. Artinya tidak
hanya memiliki kinerja tinggi pada training data, tapi juga mampu memiliki
2.7 Teori Informasi 29
kinerja yang baik untuk unseen data. Hal ini dapat tercapai apabila model
yang dihasilkan melakukan inferensi yang mirip dengan inferensi sebenarnya
(konsep asli). Kami tekankan kembali, meminimalkan loss adalah hal yang
lebih penting, dimana meminimalkan error dapat digunakan sebagai sebuah
proxy untuk mengestimasi loss 4 .
2.7.1 Entropy
4
Untuk banyak kasus.
30 2 Fondasi Matematis
N
X
S(x) = − p(xi )log(p(xi )) (2.16)
i=1
Mari kita ambil contoh dari Bishop [8]. Misalkan sebuah random variable
x memiliki 8 kemungkinan kejadian yang kemungkinannya sama (yaitu 81 ).
Entropy untuk kasus ini adalah (log dalam basis 2) diberikan oleh
1 1
S = −8 log( ) = 3 (2.17)
8 8
Sekarang mari kita ambil contoh dari [13]. Misalkan sebuah random vari-
able x memiliki 8 kemungkinan kejadian {a, b, c, d, ..., h} dengan peluang
1 1 1 1 1 1 1 1
2 , 4 , 8 , 16 , 64 , 64 , 64 , 64
Maka entropy-nya adalah 2. Dari contoh ini, kita tahu bahwa distribusi yang
uniform memiliki entropy yang lebih besar dibanding distribusi yang tidak
uniform. Banyaknya informasi sebanding dengan penurunan nilai entropy.
Seperti yang telah diceritakan sebelumnya, event yang memiliki “efek
kaget” memiliki banyak informasi. Dari sisi information transmission, da-
pat diinterpretasikan kita dapat mengirimkan data sebuah distribusi dengan
jumlah bit lebih sedikit untuk distribusi yang uniform. Distribusi yang mem-
berikan nilai entropy maksimal adalah distribusi Gaussian [8]. Nilai entropy
bertambah seiring variance distribusi bertambah. Dari sisi fisika, kamu dapat
mempelajari entropy pada statistical mechanics (microstate, macrostate).
Kami harap kamu masih ingat materi bab 1, karena materi bagian ini juga
menyinggung kembali materi tersebut. Misalkan kita mempunyai data dengan
probability density function q(x). Sebuah learning machine mengaproksimasi
data tersebut dengan probability density function p(x). Ingat! Machine learn-
ing adalah pendekatan (approximation). Ketika kita melakukan aproksimasi,
seringkali aproksimasi yang dilakukan tidaklah tepat seperti pada Gambar 2.5.
Tentunya kita ingin tahu seberapa bagus aproksimasi kita, untuk men-
gukurnya terdapat sebuah perhitungan yang bernama Kullback-Leibler
Divergence (KL-divergence). Secara konseptual, dirumuskan sebagai per-
samaan 2.18. Perlu diperhatikan KL(q||p) 6= KL(p||q) (kecuali p = q).
Z
q(x)
KL(q||p) = − q(x)log dx (2.18)
p(x)
Persamaan 2.18 dapat diminimalkan jika dan hanya jika q(x) = p(x). Kita
dapat menganggap KL-divergence sebagai ukuran seberapa jauh aproksimasi
dan distribusi populasi. Akan tetapi, kita tidak mengetahui q(x). Karena itu,
kita harus mengaproksimasi KL-divergence. Misalkan kita diberikan train-
ing data x = {x1 , x2 , ...xn } yang kita asumsikan diambil (drawn) dari suatu
distribusi q(x). Lalu kita membuat learning machine p(x | w). Ekspektasi
2.8 Matriks 31
terhadap q(x) dapat diaproksimasi dengan menggunakan data sampel ini, se-
hingga menjadi persamaan 2.19 [8].
N
1 X
KL(q||p) ≈ (−log(p(xi | w)) + log(q(xi ))) (2.19)
N i=1
2.8 Matriks
Subbab ini adalah pengingat untuk operasi perjumlahan, pengurangan, per-
kalian, dan transpose matriks karena banyak digunakan di buku ini. Diberikan
5
kamu dapat mencoba library entropy di scipy (python) untuk mendapat gam-
baran lebih detil
https://docs.scipy.org/doc/scipy/reference/generated/scipy
.stats.entropy.html
32 2 Fondasi Matematis
dua buah matriks U dan V. U dan V dapat dijumlahkan jika dan hanya jika
dimensi kedua matriks itu sama. Perjumlahan matriks dinotasikan dengan
U + V = C. Matriks C memiliki dimensi yang sama dengan U dan V. Nilai
elemen baris ke-i dan kolom ke-j (Ci,j ) dihitung sebagai penjumlahan nilai
elemen matriks U dan V pada baris dan kolom yang bersesuaian, seperti
diilustrasikan pada persamaan 2.20. Pengurangan dua buah matriks dilakukan
serupa.
Selain perkalian antar dua buah matriks, sebuah matriks juga dapat dikalikan
dengan skalar, dinotasikan dengan aU. Hasil perkalian adalah sebuah matriks
dengan dimensi yang sama dengan U, dimana tiap elemen dikalikan dengan
nilai skalar.
(aU)i,j = a × Ui,j (2.22)
Suatu matriks U berdimensi N × M apabila di transpose menghasilkan
matriks UT berdimensi M ×N , dimana elemen ke-i, j pada matriks UT adalah
elemen ke-j, i pada matriks U, seperti diilustraiskan pada persamaan 2.21.
Soal Latihan
2.1. KL-divergence
Cari tahu lebih lanjut apa itu Kullback-Leibler (KL) Divergence. Apa hubun-
gan KL-divergence dengan utility function? Pada kasus apa saja kita dapat
menggunakan KL-divergence sebagai utility function?
Atul Butte
2. Tren. Bagaimana pola-pola umum yang ada di data, sesuai dengan tujuan
analisis (permasalahan). Biasa disajikan dalam bentuk teks, kurva, atau
grafik.
3. Outlier. Sajikan data-data yang “jarang” atau tidak sesuai dengan tren
yang ada. Apa beda sifat data outlier ini dibanding data pada tren?
Kamu harus menganalisis hal ini untuk meningkatkan performance mea-
sure pada penelitian/analisis mendatang. Apakah outlier ini penting un-
tuk diurus atau bisa dipandang sebelah mata tanpa membahayakan kepu-
tusan/sistem? Tidak jarang kamu mendapat inspirasi untuk meningkatkan
1
https://onlinecourses.science.psu.edu/statprogram/node/138
3.2 Nilai Atribut dan Transformasi 37
Langkah kerja yang dijelaskan ini adalah pekerjaan rutin data scientist.
Penulis ingin menekankan sekali lagi, bahwa memahami machine learning
saja tidak cukup, kamu harus memahami domain permasalahan agar
mampu melakukan analisis dengan tepat. Terdapat banyak hal yang hanya
mampu kamu pahami dari menganalisis data, apabila kamu mengerti domain
aplikasi.
pada Tabel 3.1 memiliki tipe data nominal yaitu nilainya tersusun oleh
himpunan {sunny, overcast, rainy}. Pada tipe nominal, tidak ada urutan
ataupun jarak antar atribut. Tipe ini sering juga disebut kategorial atau
enumerasi. Secara umum, tipe output pada supervised learning adalah
data nominal.
2. Ordinal. Nilai ordinal memiliki urutan, sebagai contoh 4 > 2 > 1. Tetapi
jarak antar suatu tipe dan nilai lainnya tidak harus selalu sama, seperti
4 − 2 6= 2 − 1. Atribut ordinal kadang disebut sebagai numerik atau kon-
tinu.
3. Interval. Tipe interval memiliki urutan dan range nilai yang sama. Seba-
gai contoh 1 − 5, 6 − 10, dst. Kita dapat mentransformasikan/ mengkon-
versi nilai numerik menjadi nominal dengan cara merubahnya menjadi
interval terlebih dahulu. Lalu, kita dapat memberikan nama (simbol) un-
tuk masing-masing interval. Misalkan nilai numerik dengan range 1 − 100
dibagi menjadi 5 kategori dengan masing-masing interval adalah {1 −
20, 21 − 40, . . . , 81 − 100}. Setiap interval kita beri nama, misal interval
81 − 100 diberi nama nilai A, interval 61 − 80 diberi nama nilai B.
Secara umum, data pada machine learning adalah nominal atau numerik
(ordinal). Variabel yang kita prediksi yaitu play disebut kelas/class/label.
Untuk setiap baris pada Tabel 3.1, baris kumpulan nilai variabel non-kelas
disebut vektor fitur/feature vector . Contohnya pada Tabel 3.1 id = 4,
feature vector -nya adalah {outlook=rainy, temperature=mild, humidity=high,
windy=false}. Feature vector adalah representasi dari suatu observasi/data.
Pada machine learning, kita melakukan operasi terhadap data pada represen-
tasi feature vector -nya. Kami serahkan pada pembaca untuk mencari contoh
dataset dengan tipe numerik sebagai pekerjaan rumah2 .
baca buku Tom Mitchell [4] untuk penjelasakn lebih rinci. Kemungkinan kom-
binasi nilai ini disebut sebagai ruang konsep (concept space). Sebagai contoh
pada Tabel 3.1 himpunan nilai masing-masing atribut yaitu:
• outlook = {sunny, overcast, rainy}
• temperature = {hot, mild, cold}
• humidity = {high, normal}
• windy = {true, f alse}
• play = {yes, no}
sehingga terdapat 3×3×2×2×2 = 72 kemungkinan kombinasi. Tentunya kita
tidak mungkin mengenumerasi seluruh kemungkinan kombinasi nilai karena
secara praktikal, atribut yang digunakan banyak. Terlebih lagi, apabila men-
genumerasi kombinasi atribut bertipe numerik.
Ada algoritma lain yang mendaftar “seluruh kemungkinan kombinasi”
bernama candidate-elemination algorithm yang lebih efisien dibanding list-
then-eliminate. Akan tetapi, algoritma ini computationally expensive secara
praktikal, dalam artian memiliki kompleksitas yang besar dan tidak bisa
menyelesaikan permasalahan nyata. Kamu dapat membaca algoritma ini
pada buku Tom Mitchell [4] juga. Selain inductive learning, kita juga dapat
melakukan deductive learning yaitu melakukan inferensi dari hal general men-
jadi lebih spesifik. Walau demikian, secara praktis kita sebenarnya melakukan
inductive learning.
Perhatikan Tabel 3.2. Data pada tabel tersebut kita sebut linearly sepa-
rable. Sederhananya, untuk suatu nilai tertentu, fitur hanya berkorespondensi
dengan kelas tertentu. Ambil contoh pada Tabel 3.2, saat humidity=high maka
swim=yes. Secara “geometris”, bila kita proyeksikan feature vector ke suatu
ruang dimensi, memisahkan kelas satu dan kelas lainnya dapat diperoleh den-
gan cara menciptakan garis linier (linear line – secara lebih umum, menggu-
nakan hyperplane 3 ). Ilustrasi dapat dilihat pada Gambar 3.1. Sementara pada
Tabel 3.1, bila kita hanya melihat fitur humidity saja, ketika humidity=high
bisa jadi play=yes atau play=no. Kasus ini disebut non-linearly separable.
3
https://en.wikipedia.org/wiki/Hyperplane
40 3 Data Analytics
Hidup kita tentu akan mudah apabila seluruh data bersifat linearly separable,
sayangnya kebanyakan data yang ada bersifat non-linearly separable.
6
http://scikit-learn.org/stable/modules/feature_selection.html
42 3 Data Analytics
Pada bab 1, sudah dijelaskan bahwa kita harus mengukur kinerja model den-
gan cara yang kuantitatif. Salah satu contoh utility function yaitu squared
error function (dijelaskan kemudian pada bab 5). Selain error function,
kamu juga dapat membandingkan kinerja dengan menggunakan fungsi lainnya
seperti akurasi, presisi, recall, F1-measure, BLEU [21], ROUGE [22], intra-
cluster similarity, dsb. Masing-masing utility function mengukur hal yang
berbeda. Perlu kamu ketahui bahwa memilih ukuran kinerja tergantung pada
domain permasalahan. Misalkan pada translasi otomatis, peneliti menggu-
nakan ukuran BLEU; pada peringkasan dokumen, menggunakan ROUGE.
Sementara itu, pada information retrival /sistem temu balik informasi meng-
gunaan presisi, recall, F1-measure, atau mean average precision (MAP). Pada
domain klasifikasi gambar, menggunakan akurasi. Masing-masing utility func-
tion dapat memiliki cara mencapai titik optimal yang berbeda. Kamu harus
mengerti domain permasalahan untuk mengerti cara mencapai titik optimal.
Sebagai pengantar, diktat ini tidak dapat membahas seluruh domain. Dengan
demikian, kamu harus membaca lebih lanjut literatur spesifik domain, misal
buku pemrosesan bahasa alami atau sistem temu balik informasi, dsb. Seba-
gai contoh, untuk permasalahan klasifikasi, akurasi sering digunakan. Akurasi
didefinisikan pada persamaan 3.1
#input diklasifikasikan dengan benar
akurasi = (3.1)
banyaknya data
7
https://en.wikipedia.org/wiki/Stratified_sampling
44 3 Data Analytics
8
Artificial Neural Network dapat dikategorikan ke dalam keduanya.
3.10 Tahapan Analisis 45
Soal Latihan
3.1. Konversi atribut
Sebutkan dan jelaskan macam-macam cara untuk mengkonversi atribut! Se-
bagai contoh, numerik-nominal dan nominal-numerik.
sunny 2/9 3/5 hot 2/9 3/5 high 3/9 4/5 false 6/9 2/5 9/14 5/14
overcast 4/9 0/5 mild 4/9 2/5 normal 6/9 1/5 true 3/9 3/5
rainy 3/9 2/5 cool 3/9 1/5
likelihood(ci )
Passignment (ci ) = P (4.2)
cj C likelihood(cj )
Karena Passignment (play = no) > Passignment (play = yes) maka dipu-
tuskan bahwa kelas untuk unseen example adalah play = no. Proses klasifikasi
untuk data baru sama seperti proses klasifikasi untuk testing data, yaitu kita
ingin menebak kelas data. Karena model berhasil menebak kelas pada training
data dengan tepat, akurasi model adalah 100% (kebetulan contohnya hanya
ada satu).
Perhatikan! Kamu mungkin berpikir kita dapat langsung menggunakan
likelihood untuk mengklasifikasi, karena probabilitas dengan likelihood terbe-
sar akan dipilih. Hal ini cukup berbahaya apabila likelihood untuk masing-
masing kelas memiliki jarak yang cukup dekat. Sebagai contoh, menghitung
probabilitas apabila (kasus abstrak) likelihood={0.7, 0.6}, sehingga probabili-
tas kelas menjadi={0.538, 0.461}. Karena perbedaan probabilitas kelas relatif
tidak terlalu besar (contoh ini adalah penyederhanaan), kita mungkin harus
berpikir kembali untuk mengklasifikasikan instans ke kelas pertama. Hal ini
berkaitan dengan seberapa yakin kamu mengklasifikasikan suatu instans ke
52 4 Algoritma Dasar
4.2 K-means
Pada supervised learning kita mengetahui kelas data untuk setiap feature vec-
tor, sedangkan untuk unsupervised learning kita tidak tahu. Tujuan unsuper-
vised learning salah satunya adalah melakukan clustering. Yaitu mengelom-
pokkan data-data dengan karakter mirip. Untuk melakukan pembelajaran
menggunakan K-means [24], kita harus mengikuti langkah-langkah sebagai
berikut:
1. Tentukan jumlah kelompok yang kita inginkan.
2. Inisiasi centroid untuk setiap kelompok (pada bab ini, secara acak). Cen-
troid adalah data yang merepresentasikan suatu kelompok (ibaratnya ke-
tua kelompok).
3. Hitung kedekatan suatu data terhadap centroid, kemudian masukkan data
tersebut ke kelompok yang centroid-nya memiliki sifat terdekat dengan
dirinya.
4. Pilih kembali centroid untuk masing-masing kelompok, yaitu dari anggota
kelompok tersebut (semacam memilih ketua yang baru).
5. Ulangi langkah-langkah sebelumnya sampai tidak ada perubahan anggota
untuk semua kelompok.
Perhatikan Tabel 4.5, kita akan mengelompokkan data pada tabel terse-
but menjadi dua clusters (dua kelompok) yaitu k1 , k2 menggunakan algoritma
K-means. Pertama-tama kita inisiasi centroid secara acak, id1 untuk k1 dan
id6 untuk k2 . Kita hitung kedekatan data lainnya terhadap centroid. Untuk
mempermudah contoh, kita hitung perbedaan data satu dan lainnya den-
gan menghitung perbedaan nilai atribut (nilai atributnya sama atau tidak).
Apabila perbedaan suatu data terhadap kedua centroid bernilai sama, kita
masukkan ke kelas dengan nomor urut lebih kecil.
Setelah langkah ini, kelompok satu beranggotakan {id1 , id2 , id3 , id5 } se-
mentara kelompok dua beranggotakan {id4 , id6 }. Kita pilih kembali centroid
4.2 K-means 53
untuk masing-masing kelompok yang mana berasal dari anggota kelompok itu
sendiri. Misal kita pilih secara acak1 , centroid untuk kelompok pertama adalah
id2 sementara untuk kelompok kedua adalah id4 . Kita hitung kembali assign-
ment anggota kelompok yang ilustrasinya dapat dilihat pada Tabel 4.7. Hasil
langkah ke-2 adalah perubahan anggota kelompok, k1 = {id1 , id2 , id3 , id5 }
dan k2 = {id4 , id6 }. Anggap pada langkah ke-3 kita memilih kembali id2 dan
id4 sebagai centroid masing-masing kelompok sehingga tidak ada perubahan
keanggotaan.
Bila kamu membaca buku literatur lain, kemungkinan besar akan dije-
laskan bahwa clustering itu memiliki hubungan erat dengan Gaussian
Mixture Model . Secara sederhana, satu cluster (atau satu kelas) sebe-
narnya seolah-olah dapat dipisahkan dengan kelas lainnya oleh distribusi
gaussian. Perhatikan Gambar 4.1! Suatu cluster atau kelas, seolah olah “di-
bungkus” oleh suatu distribusi gaussian. Distribusi seluruh dataset dapat di-
aproksimasi dengan Gaussian Mixture Model (GMM).
Ingat kembali bahwa data memiliki suatu pola (dalam statistik disebut
distribusi), kemudian pada bab 2 telah disebutkan bahwa GMM dipercaya da-
pat mengaproksimasi fungsi apapun (silahkan perdalam pengetahuan statistik
kamu untuk hal ini). Dengan demikian, machine learning yang mempunyai
salah satu tujuan untuk menemukan pola dataset, memiliki hubungan yang
sangat erat dengan distribusi gaussian karena pola tersebut dapat diaproksi-
masi dengan distribusi gaussian.
1
Cara lain memilih akan dijelaskan pada bab 10.
54 4 Algoritma Dasar
4.3 K-nearest-neighbor
Ide K-nearest-neighbor (KNN) adalah mengelompokkan data ke kelompok
yang memiliki sifat termirip dengannya [25]. Hal ini sangat mirip dengan K-
means. Bila K-means digunakan untuk clustering, KNN digunakan untuk
klasifikasi. Algoritma klasifikasi ini disebut juga algoritma malas karena tidak
mempelajari cara mengkategorikan data, melainkan hanya mengingat data
yang sudah ada2 . Pada subbab 4.2, kita telah mengelompokkan data orang
kaya menjadi dua kelompok.
KNN mencari K feature vector dengan sifat termirip, kemudian mengelom-
pokkan data baru ke kelompok feature vector tersebut. Sebagai ilustrasi mu-
dah, kita lakukan klasifikasi algoritma KNN dengan K = 3 untuk data baru
{rich = no, intelligent = yes, good looking = yes}. Kita tahu pada subbab
sebelumnya bahwa kelompok satu k1 = {id1 , id2 , id3 , id5 } dan k2 = {id4 , id6 },
pada Tabel 4.8. feature vector termirip dimiliki oleh data dengan id1 , id5 , id6
seperti diilustrasikan pada Tabel 4.8. Kita dapat menggunakan strategi untuk
mengurusi permasalahan ini, misalnya memberikan prioritas memasukkan ke
kelompok yang anggotanya lebih banyak menjadi nearest neighbor 3 . Dengan
strategi tersebut, kita mengklasifikasikan data baru ke kelompok pertama.
Soal Latihan
4.1. Data numerik
(a) Carilah suatu contoh dataset numerik.
(b) Pikirkanlah strategi untuk mengklasifikasi data numerik pada algoritma
Naive Bayes dan K-nearest-neighbor !
2
https://sebastianraschka.com/faq/docs/lazy-knn.html
3
Silahkan eksplorasi cara lain juga!
4.3 K-nearest-neighbor 55
id perbedaan
1 1
2 3
3 3
4 2
5 1
6 1
Tabel 4.8. Perbedaan data baru vs data orang kaya
4.3. K-means
(a) Cari tahu cara lain untuk memilih centroid pada algoritma K-means
(selain cara acak) baik untuk data nominal dan numerik!
(b) Cari tahu cara lain untuk menghitung kedekekatan suatu data dengan
centroid baik untuk data nominal dan numerik! Hint: euclidian distance,
manhattan distance, cosine similarity.
5
Model Linear
“Sometimes an entirely
inaccurate formula is a handy
way to move you in the right
direction if it offers simplicity.”
Scott Adams
Pertama, penulis ingin menceritakan salah satu bentuk utility function untuk
model matematis bernama error function. Fungsi ini sudah banyak diceri-
takan pada bab-bab sebelumnya secara deskriptif. Mulai bab ini, kamu akan
mendapatkan pengertian lebih jelas secara matematis.
Error function paling mudah dijelaskan dalam permasalahan regresi.
Diberikan (x, y) ∈ R sebagai random variable. Terdapat sebuah fungsi f (x) →
y, yang memetakan x ke y, berbentuk seperti pada Gambar 5.1. sekarang
fungsi f (x) tersebut disembunyikan (tidak diketahui), diberikan contoh-contoh
pasangan (xi , yi ); i = 1, 2, ..., 6 adalah titik pada dua dimensi (titik sampel),
seperti lingkaran berwarna biru. Tugasmu adalah untuk mencari tahu f (x)!
Dengan kata lain, kita harus mampu memprediksi sebuah bilangan riil y,
diberikan suatu x.
Kamu berasumsi bahwa fungsi f (x) dapat diaproksimasi dengan fungsi
linear g(x) = xw + b. Artinya, kamu ingin mencari w dan b yang memberikan
nilai sedemikian sehingga g(x) mirip dengan f (x). w adalah parameter semen-
tara b adalah bias. Anggap kamu sudah berhasil melakukan pendekatan dan
58 5 Model Linear
menghasilkan fungsi linear g(x); seperti Gambar 5.2 (garis berwarna hijau).
Akan tetapi, fungsi approksimasi ini tidak 100% tepat sesuai dengan fungsi
aslinya (ini perlu ditekankan)1 . Jarak antara titik biru terhadap garis hijau
disebut error.
Salah satu cara menghitung error fungsi g(x) adalah menggunakan squared
error function dengan bentuk konseptual pada persamaan 5.1. Estimasi ter-
hadap persamaan tersebut disajikan dalam bentuk diskrit pada persamaan 5.2.
(xi , yi ) adalah pasangan training data (input - desired output). Nilai squared
error dapat menjadi tolak ukur untuk membandingkan kinerja suatu learning
machine (model). Secara umum, bila nilainya tinggi, maka kinerja dianggap
relatif buruk; sebaliknya bila rendah, kinerja dianggap relatif baik. Hal ini
sesuai dengan konsep intelligent agent [5].
1
Kamu patut curiga apabila model pembelajaran mesinmu memberikan performa
100%
5.1 Curve Fitting dan Error Function 59
Z Z
2
E(g) = ky − g(x)k q(x, y) dx dy (5.1)
N
1 X 2
E(g) = kyi − g(xi )k (5.2)
N i=1
Secara konseptual, bentuk fungsi regresi dilambangkan sebagai persamaan
5.3 [9]. Z
g(x) = y q(y|x)dy (5.3)
g(x) = x1 w1 + x2 w2 + · · · + xN wN + b (5.4)
g(x) = x · w + b (5.5)
Bentuk persamaan 5.4 dan 5.5 relatif interpretable karena setiap fitur
pada input (xi ) berkorespondensi hanya dengan satu parameter bobot wi .
Artinya, kita bisa menginterpretasikan seberapa besar/kecil pengaruh suatu
fitur xi terhadap keputusan (output) berdasarkan nilai wi . Hal ini berbeda
dengan algoritma non-linear (misal artificial neural network, bab 11) dimana
satu fitur pada input bisa berkorespondensi dengan banyak parameter bobot.
Perlu kamu ingat, model yang dihasilkan oleh fungsi linear lebih mudah di-
mengerti dibanding fungsi non-linear. Semakin, suatu model pembelajaran
mesin, berbentuk non-linear, maka ia semakin susah dipahami.
Ingat kembali bab 1, learning machine yang direpresentasikan dengan
fungsi g bisa diatur kinerjanya dengan parameter training w. Squared er-
ror untuk learning machine dengan parameter training w diberikan oleh
persamaan 5.2. (xi , yi ) adalah pasangan input-desired output. Selain untuk
menghitung squared error pada training data, persamaan 5.2 juga dapat
digunakan untuk menghitung squared error pada testing data. Tujuan dari
regresi/machine learning secara umum adalah untuk meminimalkan nilai loss
atau error baik pada training maupun unseen instances. Secara umum, kita
lebih ingin meminimalkan loss, dimana error dapat menjadi proxy untuk loss.
Selain error function, ada banyak fungsi lainnya seperti Hinge, Log Loss,
Cross-entropy loss, Ranking loss [1].
60 5 Model Linear
f (x) = x · w + b (5.6)
f (x) = x1 w1 + x1 w2 + · · · + xN wN + b (5.7)
2
Perhatikan! Bias pada variabel fungsi memiliki arti yang berbeda dengan statis-
tical bias
5.3 Log-linear Binary Classification 61
kita juga terkadang ingin tahu seberapa besar peluang data tergolong pada ke-
las tersebut. Salah satu alternatif adalah dengan menggunakan fungsi sigmoid
dibanding fungsi sign untuk merubah nilai fungsi menjadi [0, 1] yang merepre-
sentasikan peluang data diklasifikasikan sebagai kelas tertentu (1 - nilai pelu-
ang, untuk kelas lainnya). Konsep ini dituangkan menjadi persamaan 5.9, di-
mana y merepresentasikan probabilitas input x digolongkan ke kelas tertentu,
x merepresentasikan data (feature vector ), dan b merepresentasikan bias. In-
gat kembali materi bab 4, algoritma Naive Bayes melakukan hal serupa.
Hasil fungsi sigmoid, apabila di-plot maka akan berbentuk seperti Gambar 5.1
(berbentuk karakter “S”).
1
y = σ(f (x)) = (5.9)
1 + e−(x·w+b)
Perhatikan, persamaan 5.9 juga dapat diganti dengan persamaan 5.10 yang
dikenal juga sebagai fungsi logistik.
e(x·w+b)
y = logistik(f (x)) = (5.10)
1 + e(x·w+b)
62 5 Model Linear
Nilai y ini diasosiasikan dengan suatu kelas. y adalah nilai probabilitas data
masuk ke suatu kelas. Sebagai contoh, kita ingin nilai y = 1 apabila data
cocok masuk ke kelas pertama dan y = 0 apabila masuk ke kelas kedua.
Ketika fungsi machine learning menghasilkan nilai berbentuk probabil-
itas, kita dapat menggunakan cross entropy sebagai utility function. Per-
samaan 5.11 adalah cara menghitung cross entropy, dimana P (ci ) melam-
bangkan probabilitas input diklasifikasikan ke kelas ci dan N melambangkan
banyaknya kelas. Untuk binary classification, P (c1 ) = 1 − P (c2 ).
N
X
H=− P (ci ) log(P (ci )) (5.11)
i=1
Kita ingin meminimalkan nilai cross entropy untuk model pembelajaran mesin
yang baik. Ingat kembali materi teori informasi, nilai entropy yang ren-
dah melambangkan distribusi tidak uniform. Sementara, nilai entropy yang
tinggi melambangkan distribusi lebih uniform. Artinya, nilai cross entropy
yang rendah melambangkan high confidence saat melakukan klasifikasi. Kita
ingin model kita sebiasa mungkin menghasilkan output bernilai 1 untuk
mendiskriminasi seluruh data yang masuk ke kelas pertama, dan 0 untuk kelas
lainnya. Dengan kata lain, model dapat mendiskriminasi data dengan pasti.
Dengan analogi, kita ingin fungsi logistik kita berbentuk semirip mungkin
dengan fungsi sign untuk high confidence. Cross entropy bernilai tinggi apa-
bila perbedaan nilai probabilitas masuk ke kelas satu dan kelas lainnya tidak
jauh, e.g., P (c1 ) = 0.6 & P (c2 ) = 0.4. Semakin rendah nilai cross entropy, kita
bisa meningkatkan “keyakinan” kita terhadap kemampuan klasifikasi model
pembelajaran mesin, yaitu perbedaan nilai probabilitas masuk ke kelas satu
dan kelas lainnya tinggi, e.g., P (c1 ) = 0.8 & P (c2 ) = 0.2.
Tiga set parameter wci dapat disusun sedemikian rupa sebagai matriks W ∈
Rd×3 , dimana d adalah dimensi feature vector (x ∈ R1×d ). Demikian pula kita
dapat susun bias menjadi vektor b ∈ R1×3 berdimensi tiga. Dengan demikian,
persamaan 5.12 dapat ditulis kembali sebagai persamaan 5.13. ĉ adalah vektor
yang memuat nilai fungsi terhadap seluruh kelas. Kita memprediksi kelas
berdasarkan indeks elemen ĉ yang memiliki nilai terbesar (Persamaan 5.14).
Analogika, seperti memilih kelas dengan nilai likelihood tertinggi.
c = f (x) = x · W + b (5.13)
Seperti yang diceritakan pada subbab berikutnya, kita mungkin juga ter-
tarik dengan probabilitas masing-masing kelas. Kita dapat menggunakan
fungsi softmax 3 untuk hal ini. Fungsi softmax mentransformasi ĉ agar jumlah
semua nilainya berada pada range [0, 1]. Dengan itu, ĉ dapat diinterpretasikan
sebagai distribusi probabilitas. Konsep ini dituangkan pada persamaan 5.15,
dimana ĉi adalah elemen vektor ke-i, melambangkan probabilitas masuk ke
kelas ke-i.
e(x·W+b)[i]
ĉi = P (x·W+b) (5.15)
je
[j]
Karena output fungsi berupa distribusi probabilitas, kita juga dapat menghi-
tung loss menggunakan cross entropy. Seperti yang sudah dijelaskan sebelum-
nya pada binary classification, kita ingin hasil perhitungan cross entropy seke-
cil mungkin karena meminimalkan nilai cross entropy meningkatkan confi-
dence saat proses klasifikasi. Hal ini dapat dianalogikan dengan jargon “win-
ner takes it all ”. Sebagai ilustrasi, lihatlah Gambar 5.5. Kita ingin agar bentuk
distribusi probabilitas output kelas (ĉ) condong ke salah satu sisi saja.
Selain mengekstensi suatu model untuk melakukan multi-label classifica-
tion secara langsung, kita juga dapat menggabungkan beberapa model binary
classifier untuk melakukan multi-label classification. Teknik ini memiliki dua
varian yaitu one versus one dan one versus all.
Pada teknik
one versus one, kita membuat sejumlah kombinasi pasan-
gan kelas N2 , untuk N = banyaknya kelas. Kemudian, kita biarkan masing-
masing model mengklasifikasikan input ke dalam satu dari dua kelas. Akhirnya,
kita memilih kelas klasifikasi berdasarkan kelas yang paling sering muncul dari
semua model. Hal ini diilustrasikan pada Gambar 5.6 (untuk lima kelas). f i,j
melambangkan binary classifier untuk kelas i dan kelas j.
Pada teknik one versus all, kita membuat sejumlah model juga, tetapi
kombinasinya tidak sebanyak one versus one. Model pertama mengklasi-
fikasikan input sebagai kelas pertama atau bukan kelas pertama. Setelah itu,
3
https://en.wikipedia.org/wiki/Softmax_function
64 5 Model Linear
ror. Dengan kata lain, utility function adalah meminimalkan squared error.
Secara lebih umum, kita ingin meminimalkan/memaksimalkan suatu fungsi
yang dijadikan tolak ukur kinerja (utility function), diilustrasikan pada per-
samaan 5.16, dimana θ adalah learning parameter 4 , dan L adalah loss func-
tion. Perubahan parameter dapat menyebabkan perubahan loss. Karena itu,
loss function memiliki θ sebagai parameternya.
dimana θ̂ adalah nilai parameter paling optimal. Perhatikan, “arg min” da-
pat juga diganti dengan “arg max” tergantung optimisasi apa yang ingin
dilakukan.
Sekarang, mari kita hubungkan dengan contoh yang sudah diberikan pada
subbab sebelumnya. Kita coba melakukan estimasi minimum squared error,
dengan mencari nilai learning parameters w yang meminimalkan nilai error
4
Umumnya dapat berupa skalar, vektor, atau matriks. Demi istilah yang lebih
generik, kita gunakan θ.
66 5 Model Linear
dw
= −grad E(w); t = time (5.19)
dt
Ingat kembali materi diferensial. Gradien adalah turunan (diferensial)
fungsi. Untuk mencari turunan paling terjal, sama halnya mencari nilai
5
w boleh diganti dengan W, saat ini penulis menggunakan vektor untuk menye-
denakan pembahasan.
6
Konsep Hill Climbing dapat digunakan untuk memaksimalkan utility function.
Konsep tersebut sangat mirip dengan gradient descent https://en.wikipedia.
org/wiki/Hill_climbing.
5.5 Pembelajaran sebagai Permasalahan Optimisasi 67
Pandangan kita yang terbatas layaknya kita tidak bisa melihat keselu-
ruhan pengunungan secara keseluruhan, kita juga tidak bisa melihat keselu-
ruhan nilai error untuk semua parameter w. Secara filosofis, hal tersebut
juga berlaku saat membaca buku, oleh karena itu sebaiknya kamu membaca
beberapa buku saat belajar.
Dalam local point of view, steepest gradient descent adalah cara tercepat
menuju titik terendah, tetapi tidak pada global point of view. Kita dapat
macet/berhenti saat sudah mencapai local minima, yaitu nilai minimum pada
suatu daerah lokal saja. Sebagai ilustrasi, perhatikan Gambar 5.10. Kamu
berada di puncak pegunungan kemudian turun bertahap. Kemudian, kamu
sampai di suatu daerah landai (−grad E(w) = 0). Kamu pikir daerah landai
68 5 Model Linear
tersebut adalah titik tujuanmu, tetapi, kamu ternyata salah. Untuk menghin-
dari hal tersebut, kita menggunakan learning rate (η). Apabila nilai learning
rate (η) pada persamaan 5.20 relatif kecil, maka dinamika perubahan pa-
rameter w juga kecil. Tetapi, bila nilainya besar, maka jalanan menuju titik
terendah akan bergoyang-goyang (swing), seperti pada Gambar 5.11. Goyan-
gan tersebut ibarat “meloncat-loncat” pada ilustrasi Gambar 5.10.
momentum (α) pada persamaan 5.21. Alfa adalah momentum karena dika-
likan dengan hasil perbedaan descent pada tahap sebelumnya. Alfa adalah
parameter kontrol tambahan untuk mengendalikan swing yang sudah dibahas
sebelumnya.
f (x) = x1 w1 + x1 w2 + x1 x2 w3 + b (5.22)
f (x) = x1 w1 + +x21 w2 + · · · + xM
1 wM + b (5.23)
7
Baca teknik sampling pada buku statistika.
8
Rekonstruksi https://www.inf.ed.ac.uk/teaching/courses/iaml/slides/
eval-2x2.pdf
5.7 Overfitting dan Underfitting 71
Underfitting adalah keadaan ketika kinerja model bernilai buruk baik pada
training atau development maupun testing data. Overfitting adalah keadaan
ketika kinerja model bernilai baik untuk training tetapi buruk pada unseen
data. Hal ini diilustrasikan pada Gambar 5.12. Underfitting terjadi akibat
model yang terlalu tidak fleksibel, yaitu memiliki kemampuan yang ren-
dah untuk mengestimasi variasi fungsi. Sedangkan, overfitting terjadi ketika
model terlalu fleksibel, yaitu memiliki kemampuan yang terlalu tinggi untuk
mengestimasi banyak fungsi atau terlalu mencocokkan diri terhadap train-
ing data. Perhatikan kembali Gambar 5.12, dataset asli diambil (sampled )
dari fungsi polinomial orde-3. Model underfitting hanya mampu mengesti-
masi dalam orde-1 (kemampuan terlalu rendah), sedangkan model overfitting
mampu mengestimasi sampai orde-9 (kemampuan terlalu tinggi).
overclaiming, i.e., menjustifikasi model dengan performa baik pada toy dataset
sebagai model yang baik secara umum.
5.8 Regularization
9
Baca buku Yoav Goldberg [1] untuk mendapat penjelasan lebih baik.
10
https://en.wikipedia.org/wiki/Norm_(mathematics)
11
https://stats.stackexchange.com/questions/136895/
why-is-the-l1-norm-in-lasso-not-differentiable
5.9 Transformasi Data 73
Seperti yang sudah dijelaskan sebelumnya, alangkah baik apabila semua data
memiliki hubungan secara linear atau bersifat linearly separable. Kenyataan-
nya, kebanyakan data bersifat non-linearly separable. Kita dapat mentransfor-
masi data yang bersifat non-linearly separable menjadi linearly-separable se-
belum menggunakan model linear untuk mengklasifikasikan data. Sebagai con-
toh, perhatikan Gambar 5.14. Pada gambar bagian kiri, terdapat empat titik
yang non-linearly separable. Titik-titik itu ditransformasi sehingga menjadi
gambar bagian kanan. Fungsi transformasi yang digunakan diberikan pada
persamaan 5.28.
(p
x2 + y 2 ≥ 2 → (4 − x + kx − yk, 4 − x + kx − yk)
φ(x, y) = p 2 (5.28)
x + y 2 ≤ 2 → (x, y)
2. Graph Kernel
3. Kernel Smoother
4. Polynomial Kernel
5. Radial Basis Function Kernel
6. String Kernel
Untuk penjelasan masing-masing kernel, silahkan membaca literatur lain lebih
lanjut. Model linear yang memanfaatkan fungsi-fungsi kernel ini adalah sup-
port vector machine (SVM) [27, 28]. Perhatikan, algorithma SVM sebenarnya
sangatlah penting. Akan tetapi, perlu kami informasikan bahwa buku ini tidak
memuat materi SVM secara detil. Dengan demikian, kami harap pembaca da-
pat mencari referensi lain tentang SVM. Metode transformasi pun tidaklah
sempurna, seperti yang akan dijelaskan pada bab 11, karena memang data se-
cara alamiah memiliki sifat yang non-linear. Dengan demikian, lebih baik apa-
bila kita langsung saja memodelkan permasalahan dengan fungsi non-linear.
Soal Latihan
5.1. Hill Climbing
Baca dan jelaskanlah konsep Hill Climbing!
Phil McGraw
Bab ini akan menjelaskan salah satu varian pohon keputusan yaitu ID3
oleh Quinlan [29, 30] yang terinspirasi oleh teori informasi [31]. Algoritma ini
sudah cukup tua, tetapi layak dimengerti. ID3 adalah salah satu varian dari
supervised learning.
6.2 ID3
Seperti yang dijelaskan pada subbab sebelumnya, decision tree adalah var-
ian dari inductive learning. ID3 adalah salah satu algoritma varian deci-
sion tree [30]. Decision tree dibangun berdasarkan asumsi bila atribut yang
ada memberikan informasi yang cukup memadai maka kita mampu memban-
gun decision tree yang mampu mengklasifikasikan seluruh instans di training
data [30]. Akan tetapi, kita tentunya ingin melakukan generalisasi, yaitu de-
cision tree yang juga mampu mengklasifikasikan objek dengan benar untuk
instans yang tidak ada di training data (unseen instances). Oleh karena itu,
kita harus mampu mencari hubungan antara kelas dan nilai atribut.
dimana ci adalah jumlah instans diklasifikasikan sebagai kelas ke-i (atau se-
cara lebih umum, ke node-i). Information gain dihitung sebagai persamaan 6.3.
80 6 Pohon Keputusan
X cv
IG(c1 , c2 , . . . , cN ) = Info(c1 , c2 , . . . , cN ) − PN Info(c1 v , c2 v , . . . , cN v )
vV i=1 ci
(6.3)
dimana ci adalah jumlah instans untuk kelas ke-i, v adalah nilai atribut, cv
adalah jumlah instans ketika dicabangkan dengan nilai atribut v, cvx adalah
jumlah instans kelas saat percabangan. Information gain dapat dimaknai se-
bagai pengurangan entropy karena melakukan percabangan.
Sebagai contoh, mari kita hitung Information gain untuk atribut outlook
sebagai root. Dari keseluruhan data terdapat 9 instans untuk play = yes dan
5 instans untuk play = no. Kita hitung Info semesta sebagai (log basis 2)
9 5
Info([9, 5]) = entropy ,
14 14
9 9 5 5
= − log − log
14 14 14 14
= 0.940
Kita hitung entropy untuk masing-masing nilai atribut outlook sebagai berikut:
• outlook = sunny
Ada dua instans dengan play = yes dan tiga instans dengan play = no
saat outlook = sunny, dengan demikian kita hitung Info-nya.
2 3
Info([2, 3]) = entropy ,
5 5
2 2 3 3
= − log − log
5 5 5 5
= 0.971
• outlook = overcast
Ada empat instans dengan play = yes dan tidak ada instans dengan
play = no saat outlook = overcast, dengan demikian kita hitung Info-
nya.
4 0
Info([4, 0]) = entropy ,
4 4
4 4 0 0
= − log − log
4 4 4 4
=0
Perhatikan log 0 pada matematika adalah tidak terdefinisi, tapi kita
anggap 0 log 0 sebagai 0 dalam komputasi.
• outlook = rainy
Ada tiga instans dengan play = yes dan dua instans dengan play = no
saat outlook = rainy, dengan demikian kita hitung Info-nya.
6.2 ID3 81
3 2
Inf o([3, 2]) = entropy ,
5 5
3 3 2 2
= − log − log
5 5 5 5
= 0.971
• IG(humidity) = 0.152
• IG(windy) = 0.048
3 2
IG(humidity) = Info([2, 3]) − × Info([0, 3]) + × Info([2, 0])
5 5
= 0.971 − 0
= 0.971
Untuk setiap kedalaman, kita coba menggunakan atribut yang belum pernah
dicoba pada level-level lebih atas, seperti yang sudah diilutrasikan. Proses ini
dilanjutkan sampai kita tidak bisa atau tidak perlu mencabang lagi.
82 6 Pohon Keputusan
Pada algoritma decision tree secara umum, terdapat beberapa isu diantara
lain [7, 32]:
1. Mudah overfitting
2. Masalah menangani atribut kontinu
3. Information gain memiliki bias terhadap atribut yang memiliki banyak
nilai (highly-branching attributes)
4. Data dengan missing value. Beberapa sel pada tabel dataset tidak terisi.
5. Data dengan unseen value. Misal nilai atribut yang tidak pernah dilihat
pada training data, muncul saat testing.
Soal Latihan
6.1. Isu
Pada subbab 6.3, telah disebutkan isu-isu yang ada pada ID3, sebutkan dan
jelaskan bagaimana cara menangani masing-masing isu tersebut!
6.2. Gain Ratio
Selain information gain, kita dapat menggunakan cara lain untuk memilih
atribut bernama gain ratio. Jelaskan perbedaan keduanya! Yang mana lebih
baik?
6.3. C4.5
ID3 disempurnakan kembali oleh pembuat aslinya menjadi C4.5. Jelaskanlah
perbedaan ID3 dan C4.5, beserta alasan strategi penyempurnaan!
6.4. Pruning
Jelaskan apa itu pruning dan bagaimana cara melakukan pruning untuk de-
cision tree!
6.5. Association Rule
Terdapat beberapa algoritma association rule yang membentuk aturan-aturan
seperti decision tree.
(a) Jelaskanlah algoritma PRISM dan Apriori!
(b) Jelaskan perbedaan association rule dan inductive learning!
6.6. Final Decision Tree
Lanjutkanlah proses konstruksi ID3 untuk Tabel 6.1 hingga membentuk de-
cision tree akhir seperti pada Gambar 6.1!
6.7. Variant
Jelaskanlah Random Forest, Bagging dan Boosting pada Decision Tree!
7
Support Vector Classifier
Peter Norvig
Saat membaca judul bab ini, kamu mungkin berpikir bahwa support vec-
tor machine akan dibahas. Support vector classifier dan support vector ma-
chine adalah dua hal yang berbeda, walau kedua istilah tersebut sering digu-
nakan pada konteks yang mirip [17]. Support vector classifier sesungguhnya
adalah konsep yang lebih sederhana. Walaupun bab ini menyinggung kulit
support vector machine, kami tidak membahas secara rinci. Akan tetapi, kami
berharap pembaca mampu mendapatkan intuisi. Kamu dapat menganggap
bab ini sebagai kelanjutan cerita bab 5. Referensi utama bab ini adalah buku
karangan James et al. [17].
secara linear.
x1 w1 + x2 w2 + · · · + xF wF + b = 0 (7.1)
x·w+b=0 (7.2)
Untuk permasalahan klasifikasi dua kelas, kita dapat memisahkan keputusan
berdasarkan letak data pada hyperplane, misal di atas atau di bawah hyper-
plane pada Gambar 7.1. Secara lebih matematis, seperti pada persamaan 7.3
dan 7.4. Konsep ini mirip seperti yang sudah dijelaskan pada bab 5 tentang
melakukan binary classification menggunakan fungsi sign dan thresholding.
Gambar 7.2. Ilustrasi banyak pilihan hyperplane. Garis hitam melambangkan opsi
hyperplane untuk memisahkan data secara sempurna.
Gambar 7.3. Maximal Margin Hyperplane. Bentuk lingkaran yang memiliki border
berwarna hitam menandakan data terluar pada masing-masing kelas, dikenal sebagai
support vectors. Garis putus-putus melambangkan garis yang dibentuk oleh masing-
masing support vectors untuk masing-masing kelas (margin)
88 7 Support Vector Classifier
|x · w + b| = 1 (7.5)
yi (x · w + b) ≥ 1 (7.6)
Misalkan kita ambil satu support vector dari masing-masing kelas. Pada
kelas pertama, ia memenuhi xc1 · w + b = 1. Pada kelas kedua, ia memenuhi
xc2 ·w+b = −1. Apabila kita kurangi kedua persamaan tersebut, kita mendap-
atkan persamaan 7.7. Persamaan 7.8 memberikan perhitungan margin antara
support vectors dan hyperplane yang memberikan nilai maksimal.
w 2
· (xc1 − xc2 ) = (7.8)
kwk kwk
Sekarang, kita formalisasi maximal margin classifier secara matematis. Ob-
jektifnya adalah memaksimalkan margin (persamaan 7.9) dengan menjaga
setiap training data diklasifikasikan dengan benar (persamaan 7.10).
2
Objective : maximize Margin = (7.9)
kwk
Gambar 7.6. Support Vector Classifier. Lingkaran dengan border berwarna hitam
melambangkan support vectors, garis putus-putus melambangkan margin
Gambar 7.7. Ilustrasi transformasi data. Garis berwarna hijau melambangkan de-
cision boundary
kx − yk2
k(x, y) = exp − (7.14)
2σ 2
Sebelum membahas bagaimana fungsi kernel diintegrasikan pada SVM,
kita sedikit bahas kembali support vector classifier. Ingat kembali support vec-
tor classifier mencari maximal margin (persamaan 7.9) dengan kendala per-
samaan 7.11 dan 7.12. Suatu support vector classifier yang memenuhi seluruh
kendala tersebut dapat direpresentasikan sebagai persamaan 7.15 dimana x0
1
https://data-flair.training/blogs/svm-kernel-functions/
92 7 Support Vector Classifier
melambangkan suatu data baru, xi adalah suatu instans pada training data
dan N adalah banyaknya training data. Operasi hx0 , xi i melambangkan in-
ner product. Cara menghitung inner product dari dua vektor diberikan pada
persamaan 7.16, dimana F melambangkan panjangnya vektor. Inner product
dapat diinterpretasikan sebagai perhitungan kemiripan dua vektor.
N
X
f (x0 ) = β0 + αi hx0 , xi i (7.15)
i=1
F
X
ha, bi = aj bj (7.16)
j=1
tetapi, pada saat melewatkan suatu input baru pada persamaan tersebut,
kita sebenarnya cukup menghitung seberapa kedekatan (kemiripan) antara
input dan support vectors. Hal ini disebabkan α bernilai 0 untuk instans se-
lain support vectors, i.e., diatur hanya bernilai nonzero untuk support vec-
tors. Artinya, keputusan klasifikasi bergantung pada pilihan support vectors.
Dengan demikian, kita dapat menulis kembali persamaan 7.15 sebagai per-
samaan 7.17. X
f (x0 ) = β0 + αi hx0 , xi i (7.17)
xi ∈S
Untuk memahami SVM lebih dalam, kamu bisa membaca buku karangan
Bishop [8].
7.5 Tips
Untuk memahami materi yang disampaikan pada bab ini secara lebih dalam,
kami menyarankan kamu untuk mempelajari optimization theory dan oper-
ation research (i.e., integer linear programming). Sejarah dan perkemban-
gan support vector machine dapat dibaca pada paper-paper yang diberikan
di pranala http://www.svms.org/history.html. Walaupun penjelasan pada
bab ini hanya bersifat “kulit”-nya saja, kami harap pembaca mampu menda-
patkan intuisi.
Soal Latihan
7.3. SVM-rank
Walau umumnya digunakan untuk permasalahan klasifikasi, SVM juga dapat
diaplikasikan pada permasalahan ranking (learning to rank ), dikenal seba-
gai SVM-rank 2 . Permasalahan ini adalah inti dari search engine. Jelaskanlah
bagaimana cara kerja SVM-rank !
2
https://www.cs.cornell.edu/people/tj/svm_light/svm_rank.html
8
Hidden Markov Model
“Probability is expectation
founded upon partial knowledge.
A perfect acquaintance with all
the circumstances affecting the
occurrence of an event would
change expectation into
certainty, and leave neither room
nor demand for a theory of
probabilities.”
George Boole
Hidden Markov Model (HMM) adalah algoritma yang relatif cukup lama
[33]. Tetapi algoritma ini penting untuk diketahui karena digunakan seba-
gai teknik dasar untuk automatic speech recognizer (ASR) dan part-of-speech
(POS) tagging. Bab ini akan membahas ide dasar HMM serta aplikasinya pada
POS tagging (natural language processing). Aplikasi tersebut dipilih karena
penulis lebih familiar dengan POS tagging. Selain itu, POS tagging relatif
lebih mudah dipahami dibandingkan aplikasi HMM pada ASR1 . HMM adalah
kasus spesial Bayesian Inference [12, 34, 5]. Untuk mengerti Bayesian In-
ference, ada baiknya kamu membaca materi graphical model pada buku
pattern recognition and machine learning [8]. Bab ini relatif lebih kompleks
secara matematis dibanding bab-bab sebelumnya. Oleh karena itu, kami harap
pembaca membaca dengan sabar.
jadi, maka “terpeleset” juga pasti akan terjadi. Tetapi tidak sebaliknya, apa-
bila kita “terpeleset”, belum tentu “hujan” juga terjadi. Pada probabilistic
reasoning kita mengkuantifikasi kepastian atau ketidakpastian itu. Apabila
“hujan” terjadi, berapa besar kemungkinan “terpeleset” juga terjadi (dan se-
baliknya).
Perhatikan Gambar 8.1! Gambar ini menerangkan hubungan pengkon-
disian events, disebut Bayesian Network. Panah dari “hujan” ke “terpe-
leset” merepresentasikan bahwa “hujan” adalah kondisi yang menyebabkan
“terpeleset” terjadi (causality). Pada kerangka probabilistic reasoning, kita
berpikir “karena ada hujan, mungkin seseorang terpeleset dan kecelakaan juga
terjadi”. Tetapi, apabila ada cerita lain bahwa seseorang “terpeleset” dan ada
juga “kecelakaan”; belum tentu keduanya disebabkan oleh “hujan” (kedua
kejadian tidak terhubung).
Perhatikan Gambar 8.3! Dengan konsep yang sudah dipahami, mari kita
coba lakukan inferensi pada jaringan tersebut. Joint distribution untuk selu-
ruh event diberikan pada persamaan 8.1.
Sekarang, mari kita hanya lihat subgraf {A, B, E} dengan koneksi tipe serial.
Bila A diketahui, maka kita dapat melakukan inferensi terhadap C, seperti
pada persamaan 8.2.
98 8 Hidden Markov Model
P (E | B, A) = P (E | B) P (B) (8.3)
Operasi serupa dapat diaplikasikan pada koneksi tipe converging dan diverg-
ing. Perhatikan subgraf {A, B, C} dengan tipe koneksi converging pada Gam-
bar 8.3. Apabila B tidak diketahui, berarti A dan C terpisah (independen).
Apabila B dan A diketahui, maka hubungan A dan C dapat dihitung sebagai
persamaan 8.4.
Untuk koneksi tipe diverging, silahkan coba bagaimana mencari proses infer-
ensinya! (pekerjaan rumah).
pemaparan subbab 8.1, apabila suatu event dikondisikan variabel lain dengan
tipe koneksi serial, maka kita dapat mengabaikan banyak variabel historis.
Hal ini dituangkan dalam persamaan 8.5,
Dimana C adalah daftar kelas kata. Akan tetapi, menghitung persamaan 8.6
sangatlah sulit karena dibutuhkan data yang sangat banyak (kombinasi sekuens
kata sangat sulit untuk didaftar/sangat banyak). Teori Bayes digunakan untuk
melakukan aproksimasi permasalahan ini. Ingat kembali teori Bayes seperti
pada persamaan 8.7.
P (y|x)P (x)
P (x|y) = (8.7)
P (y)
5
https://www.ling.upenn.edu/courses/Fall_2003/ling001/penn_treebank_
pos.html
100 8 Hidden Markov Model
dimana kombinasi sekuens kelas kata jauh lebih sedikit dibanding kombi-
nasi sekuens kata (karena kelas kata jumlahnya lebih terbatas). Ingat kembali
P (c1 , c2 , . . . , cT ) disebut prior, P (w1 , w2 , . . . , wT |c1 , c2 , . . . , cT ) disebut like-
lihood (bab 2).
Persamaan 8.9 masih dapat disederhanakan kembali menggunakan markov
assumption, yaitu dengan membuat asumsi saling lepas pada sekuens (dise-
but independence assumption). Terdapat dua asumsi, pertama, kategori
suatu kata hanya bergantung pada dirinya sendiri tanpa memperhitungkan
kelas kata disekitarnya, seperti pada persamaan 8.10. Asumsi kedua adalah
suatu kemunculan kategori kata hanya bergantung pada kelas kata sebelum-
nya, seperti pada persamaan 8.11.
T
Y
P (w1 , w2 , . . . , wT |c1 , c2 , . . . , cT ) = P (wi |ci ) (8.10)
i=1
T
Y
P (c1 , c2 , . . . , cT ) = P (ci |ci−1 ) (8.11)
i=1
Bigram Estimate
P (ART |null) 0.71
P (N |null) 0.29
P (N |ART ) 1
P (V |N ) 0.43
P (N |N ) 0.13
P (P |N ) 0.44
P (N |V ) 0.35
P (ART |V ) 0.65
P (ART |P ) 0.74
P (N |P ) 0.26
Tabel 8.2. Probabilitas bigram [34]
ini, kamu akan mempelajari cara mencari sekuens syntactical categories ter-
baik diberikan suatu observasi kalimat menggunakan algoritma Viterbi. Hal
ini disebut proses decoding pada HMM. Algoritma Viterbi adalah salah satu
algoritma dynamic programming yang prinsip kerjanya mirip dengan mini-
mum edit distance 7 . Ide utama algoritma Viterbi adalah mengingat sekuens
untuk setiap posisi tertentu (setiap iterasi, setiap panjang kalimat). Apabila
kita telah sampai pada kata terakhir, kita lakukan backtrace untuk mendap-
atkan sekuens terbaik.
Initialization Step
create a path of probability matrix viterbi[S,T ]
for each state s from 1 to S do
viterbi[s,1] ← a0,s × bs (o1 )
backpointer[s,1] ← 0
Iteration Step
for each time step t from 2 to T do
for each state s from 1 to S do
viterbi[s,t] ← arg maxj=1,S viterbi[j, t − 1] × as,j × bs (ot )
backpointer[s,t] ← index of j that gave the max above
hasil seperti pada Gambar 8.9. Dengan itu, kita mendapatkan sekuens “flies/N
like/V a/ART flower/N”.
Apabila kamu hanya ingin mengetahui HMM tanpa variabel yang perlu
dilatih/diestimasi, kamu dapat berhenti membaca sampai subbab ini. Apa-
bila kamu ingin mengetahui bagaimana HMM dapat mengestimasi parameter,
kamu dapat melanjutkan membaca subbab berikutnya8 .
count(wi , ci )
P (wi |ci ) = PN (8.14)
j=1 count(wi , cj )
Initialization Step
for i = 1 to S do
αi (t) ← bi (o1 ) × a0,i
Initialization Step
for i = 1 to S do
βi (T ) ← P (ci ) # assigned using a particular class ci
Kita juga menghitung kembali emission probability (nilai yang lama di-
update), diberikan oleh persamaan 8.19.
8.6 Proses Training Hidden Markov Model 109
PT
0 t=1,ok =wk γj (t)
bj (ok ) = PT (8.19)
t=1 γj (t)
PT
berarti jumlah observasi wk pada waktu t.
t=1,ok =wk
Keseluruhan proses ini adalah cara melatih HMM dengan menggunakan
kerangka berpikir Expectation Maximization: terdiri dari E-step dan M-
step [12]. Pada E-step, kita mengestimasi probabilitas berada di suatu state cj
menggunakan γj (t) dan mengestimasi transisi ξt (i, j) berdasarkan parameter
A dan b yang sudah diberikan pada tahap iterasi training (epoch) sebelumnya.
Pada M-step, kita menggunakan γ dan ξ untuk mengestimasi kembali param-
eter A dan b. Hal ini dijelaskan secara formal pada Gambar 8.12. Walaupun
HMM menggunakan independence assumption, tetapi kita dapat mengikutser-
takan pengaruh probabilitas keseluruhan sekuens untuk perhitungan proba-
bilitas keberadaan kita pada suatu state pada saat tertentu. Metode ini dapat
dianggap sebagai suatu cara optimalisasi menggunakan smoothing 10 terhadap
nilai parameter (A dan b). Kita mencapai titik local optimal apabila tidak
ada perubahan parameter.
Initialize A and b
Iterate until convergence
E-step
γj (t) = PSαi (t)×β i (t)
α (t)×β (t)
j=1 j j
M-step
PT −1
ξt (i,j)
update aij 0 = PT −1t=1
PS
t=1 j=1 ξt (i,j)
PT
0 t=1,ok =wk γj (t)
update bj (ok ) = PT
t=1 γj (t)
Kami ingin mengakui bahwa penjelasan pada subbab 8.6 mungkin kurang
baik (kurang memuaskan). Kami harap kamu mencari referensi lain yang lebih
baik untuk subbab ini.
10
https://en.wikipedia.org/wiki/Smoothing
110 8 Hidden Markov Model
Soal Latihan
8.1. Data Numerik
Pada bab ini, diberikan contoh aplikasi Hidden Markov Model (HMM) untuk
POS tagging, dimana data kata adalah data nominal. Berikan strategi peng-
gunaan HMM untuk data numerik! Misal, pada automatic speech recognizer.
Jeff Hawkins
Bab ini membahas beberapa tips dan trik yang sebenarnya sudah dis-
inggung pada bab 5. Hanya saja, beberapa hal lebih baik dijelaskan secara
lebih mendalam ketika sudah mempelajari beberapa algoritma pembelajaran
mesin, yaitu feature engineering, feature selection dan penjelasan lebih lanjut
cross validation. Kamu dapat menganggap bab ini sebagai kelanjutan tips dan
trik pembelajaran mesin lanjutan bab 5.
Konon tetapi, proses pemilihan fitur yang bersifat manual ini cukup ba-
haya karena rentan dengan bias, yaitu kemampuan seseorang pada domain
tertentu. Alangkah baiknya, apabila kita dapat memilih fitur yang memang
benar-benar diperlukan (murni) secara otomatis. Hal tersebut akan dibahas
lebih lanjut pada materi artificial neural network. Hal ini salah satu alasan
yang membuatnya populer.
alasan-alasan yang sudah disebutkan pada subbab 9.2. Alasan lainnya karena
belum tentu semua fitur berguna. Cara termudah adalah dengan menghapus
fitur yang memiliki nilai varians = 0. Sayang sekali, hal ini tidak selalu terjadi.
Subbab ini membahas teknik-teknik yang dapat digunakan untuk menyeder-
hanakan fitur (mengurangi dimensi input).
Cara paling intuitif untuk mencari tahu kombinasi fitur terbaik adalah dengan
mencoba seluruh kombinasi fitur. Misal kita mempunyai fitur sebanyak F , kita
bisa pilih untuk menggunakan atau tidak menggunakan masing-masing fitur,
menghasilkan kombinasi sebanyak 2F . Dari keseluruhan kombinasi tersebut,
kita pilih suatu kombinasi fitur yang memerikan kinerja terbaik. Akan tetapi,
metode brute force ini terlalu memakan waktu. Kita dapat juga menggunakan
teknik greedy yaitu forward selection dan backward selection. Forward dan
backward selection sering juga disebut sebagai feature ablation.
Pada forward selection, kita mulai dengan suatu model yang tidak meng-
gunakan fitur apapun sama sekali, yaitu meng-assign kelas yang paling sering
muncul di dataset, pada input. Setelah itu, kita tambahkan satu per satu fitur
pada setiap langkah. Langkah berikutnya, kita gunakan satu fitur. Diantara F
pilihan fitur, kita cari fitur yang memberi nilai terbaik. Kemudian, pada tahap
berikutnya, kita kombinasikan fitur yang kita pilih pada langkah sebelumnya
dengan fitur yang tersisa. Hal ini terus diulang sampai kita sudah menggu-
nakan seluruh fitur pada model kita. Untuk mencari model terbaik, kita hanya
perlu mencari kombinasi fitur yang memberikan nilai kinerja terbaik. Forward
selection diilustrasikan pada Gambar 9.1. Dibanding brute force yang bersifat
eksponensial, forward selection membentuk suatu deret aritmatika kombinasi
fitur yang dicoba, yaitu 1+F +(F −1)+· · ·+1 = 1+F (F +1)/2. Apabila kita
memiliki fitur sebanyak F = 10, kombinasi brute force menghasilkan 1, 024
kombinasi, sementara forward selection hanya sebanyak 56!
bar 9.2. Seperti forward selection, backward selection juga hanya mencoba
sebanyak 1 + F (F + 1)/2 kombinasi. Kita juga dapat menggabungkan for-
ward dan backward selection menjadi metode hybrid, yaitu menambah satu
fitur pada tiap langkah, serta memperbolehkan untuk menghilangkan fitur
juga [17].
9.3.2 Shrinkage
Ingat kembali materi bab 5 tentang regularization. Seperti yang sudah dije-
laskan, kita ingin agar model kita sesederhana mungkin. Mengurangi dimensi
fitur adalah cara mengurangi kompleksitas. Ingat kembali, dengan menggu-
nakan suatu fungsi regularisasi, objektif pembelajaran adalah meminimalkan
loss dan kompleksitas, seperti pada persamaan 9.1. Kompleksitas model da-
pat dihitung menggunakan L2 (Ridge, persamaan 9.2) atau L1 (Lasso, per-
samaan 9.3) norm. Karena kita ingin meminimalkan norm, artinya kita juga
membuat parameter model pembelajaran mesin bernilai dekat dengan nol.
Pada metode Ridge, kita ingin meminimalkan fungsi eksponensial, sementara
fungsi skalar pada Lasso. Artinya, Lasso lebih cenderung untuk menghasilkan
suatu model yang bersifat sparse. Dengan kata lain, Lasso melakukan sub-
set feature selection seperti yang sudah dijelaskan pada subbab sebelumnya.
Sementara itu, Ridge cenderung tidak meng-nol-kan parameter, melainkan
hanya dekat dengan nol [17]. Kamu mungkin berpikir, kenapa kita tidak
menggunakan Lasso saja, berhubung ia mengeleminasi fitur. Pada metode
Ridge, semua fitur tetap digunakan walaupun nilainya diturunkan (shrink )
agar dekat dengan nol. Hal ini, walaupun tidak mengeleminasi fitur, dapat
mengurangi variasi kinerja model2 (dijelaskan pada subbab 9.4).
2
X
R(w) = kwk2 = (wi )2 (9.2)
i
2
baca buku [17] untuk pembuktiannya
9.3 Feature Selection 115
X
R(w) = kwk = |wi | (9.3)
i
Gambar 9.3. Model yang stabil (a) memberikan decision boundary yang serupa
walaupun input sedikit diubah-ubah (variasi kinerja yang kecil, untuk set input
yang berbeda). Model yang kurang stabil (b) memberikan decision boundary yang
berbeda untuk input yang sedikit diubah-ubah (variasi kinerja yang besar, untuk
set input yang berbeda)
akan mengetahui hal ini. Stabil berkaitan dengan nilai varians, sedangkan
fleksibel berkaitan dengan perubahan terhadap ukuran kinerja. Fleksibilitas
dapat dianalisis dengan mem-plot grafik kinerja model pada training data dan
validation/testing data untuk mengetahui underfitting dan overfitting seperti
yang telah dijelaskan pada bab 5.
membagi-bagi dataset yang kita miliki menjadi K bagian. Kita latih model
menggunakan K − 1 bagian, kemudian menguji model dengan menggunakan
satu bagian lainnya sebagai validation data yang mengaproksimasi kinerja
pada testing data (Ilustrasi pada Gambar 9.4). Hal ini disebut sebagai K-fold -
cross-validation. Untuk K = N yaitu jumlah data, kita sebut teknik terse-
but sebagai leave-one-out-cross-validation. Perlu diperhatikan, distribusi
tiap-tiap subset data haruslah sama (stratified sampling). Dengan teknik cross
validation, kita memiliki sejumlah K model pembelajaran mesin dan K buah
nilai kinerja. Kita dapat mengukur stabilitas model dengan menghitung vari-
ans kinerja dari K model. Nilai rata-rata kinerja yang diberikan adalah sebuah
estimasi terhadap kinerja model pada testing data (yang sesungguhnya tidak
ada), diberikan pada persamaan 9.4. Kita ingin model yang stabil, karena nilai
varians yang kecil berarti eksperimen dapat diulangi, dan kita mendapatkan
kinerja yang sama saat eksperimen diulang. Varians yang terlalu besar dapat
berarti kita mendapatkan suatu nilai kinerja secara random chance (untung-
untungan belaka).
K
1 X
CV(K) = KinerjaModeli (9.4)
K i=1
5
Pranala Post Yoav Goldberg
9.5 Replicability, Overclaiming dan Domain Dependence 119
Soal Latihan
9.1. Seleksi Fitur
Jelaskanlah algoritma seleksi fitur selain yang sudah dijelaskan pada bab ini!
(Saran: baca survey paper )
9.3. Bootstrapping
Jelaskan apa itu teknik bootstrapping (evaluasi model)! Bagaimana perbe-
daanya bootstrapping dan cross validation?
9.4. Varians
Jelaskan mengapa fitur yang baik memiliki varians yang tinggi, sementara
kinerja model yang baik memiliki varians yang rendah!
10
Clustering
Virginia Postrel
Pada bab 4, kamu sudah mempelajari salah satu teknik clustering yang
cukup umum yaitu K-means. Bab ini akan mengupas clustering secara lebih
dalam. Kami sarankan kamu untuk membaca paper [36], walaupun relatif
lama, tetapi paper tersebut memberikan penjelasan yang mudah dimengerti
tentang clustering. Selain itu, kamu juga dapat membaca paper oleh Saad et
al. [37].
Clustering adalah pengelompokkan data dengan sifat yang mirip. Data
untuk clustering tidak memiliki label (kelas). Secara umum, algoritma cluster-
ing dapat dikategorikan menjadi dua macam berdasarkan hasil yang dinginkan
[38]: (1) partitional, yaitu menentukan partisi sejumlah K dan (2) hierarchi-
cal, yaitu mengelompokan data berdasarkan struktur taksonomi. Contoh al-
goritma partitional adalah K-means pada subbab 10.1, sementara contoh
algoritma hierarchical adalah agglomerative clustering pada subbab 10.2.
122 10 Clustering
yaitu nilai rata-rata setiap elemen feature vector untuk seluruh anggota cluster
tersebut, dimana N adalah banyaknya anggota cluster, F adalah dimensi
vektor, di adalah anggota ke-i dalam representasi feature vector dan di[e]
melambangkan elemen ke-e pada vektor di . Dengan ini, centroid secara umum
bisa jadi tidak merupakan elemen anggota cluster (centroid bukan sebuah
instans data).
Pada bab 4 dijelaskan salah satu metode perhitungan kemiripan data
sederhana yaitu dengan menghitung banyaknya nilai atribut yang sama di-
antara dua feature vector. Selain metode tersebut, terdapat banyak perhitun-
gan kemiripan data lainnya tergantung pada tipe, contohnya:
1. Numerik. Euclidean Distance, Manhattan Distance, Cosine Distance,
dsb.
2. Boolean. Jaccard Dissimilarity, Rogers Tanimoto Dissimilarity, dsb.
3. String. Levenshtein Distance, Hamming Distance, dsb.
10.2 Hierarchical Clustering 123
2. Divisive. Dimulai dari satu cluster (seluruh data), kemudian kita memecah
belah cluster. Artinya, kita harus mendefinisikan cluster mana yang harus
dipecah dan bagaimana cara memecahnya.
Sebagai contoh, algoritma hierarchical clustering menghasilkan struktur
hirarkis seperti pada gambar 10.1 yang disebut dendogram. Dendogram
melambangkan taksonomi, sebagai contoh taksonomi dokumen berita sport,
dipecah menjadi baseball dan soccer.
Sejauh ini, teknik agglomerative clustering lebih populer, karena pen-
dekatan ini bersifat bottom-up. Secara umum, pendekatan bottom-up memang
relatif lebih populer dibanding pendekatan top-down. Langkah-langkah ag-
glomerative clustering sebagai berikut:
1. Sediakan sejumlah K clusters. Kamu dapat menganggap satu instans data
sebagai suatu cluster.
2. Gabung dua clusters paling mirip.
3. Ulangi langkah ke-2 sampai hanya satu cluster tersisa.
Perhatikan! untuk menggabungkan dua clusters termirip, kita membu-
tuhkan definisi “mirip”. Definisi tersebut dikuantifikasi dengan formula matem-
atis (seperti definisi kemiripan data pada subbab 10.1). Perhitungan kemiri-
pan clusters dapat dihitung dengan tiga metode [38] (untuk data numerik):
1
https://en.wikipedia.org/wiki/Cosine_similarity
124 10 Clustering
1 X cU cV
SimU P GM A (U, V) = cosSim(ui , vj ) = (10.5)
|U | |V | |U | |V |
ui ∈U,vj ∈V
10.3 Evaluasi
Apabila terdapat informasi label/ kelas untuk setiap data, kita juga da-
pat menghitung kualitas algoritma clustering (perhatikan! tujuan pengukuran
adalah kualitas algoritma) dengan Entropy dan Purity.
126 10 Clustering
Soal Latihan
10.1. Intra-cluster Evaluation
Buktikan kebenaran persamaan 10.7.
10.2. Entropy
Bagaimana cara menghitung kualitas algoritma clustering, jika diberikan in-
formasi label/ kelas setiap data menggunakan: (hint, baca [36])
(a) Entropy
(b) Purity
10.3. Kompleksitas
Hitunglah kompleksitas algoritma untuk:
(a) K-means
(b) Agglomerative Clustering
(c) Divisive Clustering
Joshua Foer
jumlah perkalian antara nilai input dan synapse weight, yang dilewatkan
pada fungsi non-linear [46, 47, 4]. Pada training, yang dioptimasi adalah
nilai synapse weight (learning parameter ). Selain itu, terdapat juga bias b se-
bagai kontrol tambahan (ingat materi steepest gradient descent). Output dari
neuron adalah hasil fungsi aktivasi dari perhitungan jumlah perkalian antara
nilai input dan synapse weight. Ada beberapa macam fungsi aktivasi, misal
step function, sign function, rectifier dan sigmoid function. Untuk se-
lanjutnya, pada bab ini, fungsi aktivasi yang dimaksud adalah jenis sigmoid
function. Silahkan eksplorasi sendiri untuk fungsi aktivasi lainnya. Salah satu
bentuk tipe sigmoid function diberikan pada persamaan 11.1. Bila di-plot
menjadi grafik, fungsi ini memberikan bentuk seperti huruf S.
1
σ(u) = (11.1)
1 + e−u
Perhatikan kembali, Gambar 11.2 sesungguhnya adalah operasi aljabar
linear. Single perceptron dapat dituliskan kembali sebagai 11.2.
o = f (x · w + b) (11.2)
dimana o adalah output dan f adalah fungsi non-linear yang dapat di-
turunkan secara matematis (differentiable non-linear function – selanjut-
nya disebut “fungsi non-linear” saja.). Bentuk ini tidak lain dan tidak bukan
adalah persamaan model linear yang ditransformasi dengan fungsi non-linear.
Secara filosofis, ANN bekerja mirip dengan model linear, yaitu mencari de-
cision boudary. Apabila beberapa model non-linear ini digabungkan, maka
kemampuannya akan menjadi lebih hebat (subbab berikutnya). Yang men-
jadikan ANN “spesial” adalah penggunaan fungsi non-linear.
Untuk melakukan pembelajaran single perceptron, training dilakukan meng-
gunakan perceptron training rule. Prosesnya sebagai berikut [4, 46, 47]:
132 11 Feedforward Neural Network
1. Inisiasi nilai synapse weights, bisa random ataupun dengan aturan ter-
tentu. Untuk heuristik aturan inisiasi, ada baiknya membaca buku refer-
ensi [1, 11].
2. Lewatkan input pada neuron, kemudian kita akan mendapatkan nilai out-
put. Kegiatan ini disebut feedforward.
3. Nilai output (actual output) tersebut dibandingkan dengan desired output.
4. Apabila nilai output sesuai dengan desired output, tidak perlu mengubah
apa-apa.
5. Apabila nilai output tidak sesuai dengan desired output, hitung nilai error
(loss) kemudian lakukan perubahan terhadap learning parameter (synapse
weight).
6. Ulangi langkah-langkah ini sampai tidak ada perubahan nilai error, nilai
error kurang dari sama dengan suatu threshold (biasanya mendekati 0),
atau sudah mengulangi proses latihan sebanyak T kali (threshold ).
Error function diberikan pada persamaan 11.3 2 (dapat diganti dengan
absolute value) dan perubahan synapse weight diberikan pada persamaan 11.4,
dimana y melambangkan desired output 3 , o = f (x · w + b) melambangkan
actual output untuk x sebagai input. η disebut sebagai learning rate.
2
E(w) = (y − o) (11.3)
komunitas riset bisa jadi seperti cerita ini. Suatu teknik yang baru belum
tentu bisa segera diimplementasikan karena beberapa kendala (misal kendala
kemampuan komputasi).
Pada bab-bab sebelumnya, kamu telah mempelajari model linear dan
model probabilistik. Kita ulangi kembali contoh data yang bersifat non-
linearly separable, yaitu XOR yang operasinya didefinisikan sebagai:
• XOR(0, 0) = 0
• XOR(1, 0) = 1
• XOR(0, 1) = 1
• XOR(1, 1) = 0
Ilustrasinya dapat dilihat pada Gambar 11.3. Jelas sekali, XOR ini adalah
fungsi yang tidak dapat diselesaikan secara langsung oleh model linear.
Seperti yang diceritakan pada bab model linear, solusi permasalahan ini
adalah dengan melakukan transformasi data menjadi linearly-separable, misal-
nya menggunakan fungsi non-linear pada persamaan 11.5 dimana (x, y) adalah
absis dan ordinat. Hasil transformasi menggunakan fungsi ini dapat dilihat
pada Gambar 11.4. Jelas sekali, data menjadi linearly separable.
φ(x, y) = (x × y, x + y) (11.5)
Sudah dijelaskan pada bab model linear, permasalahan dunia nyata tidak
sesederhana ini (kebetulan ditransformasikan menjadi data dengan dimensi
yang sama). Pada permasalahan praktis, kita harus mentransformasi data
menjadi dimensi lebih tinggi (dari 2D menjadi 3D). Berbeda dengan ide utama
linear model/kernel method tersebut, prinsip ANN adalah untuk mele-
watkan data pada fungsi non-linear (non-linearities). Sekali lagi penulis
ingin tekankan, ANN secara filosofis adalah trainable non-linear mapping
functions. ANN mampu mentransformasi data ke space/ruang konsep yang
berbeda (bisa pada dimensi lebih tinggi atau lebih rendah), lalu mencari non-
linear decision boundary dengan non-linear functions. Interaksi antar-fitur
juga dapat dimodelkan secara non-linear.
134 11 Feedforward Neural Network
gabungan dari banyak fungsi non-linear. Seperti yang disampaikan pada sub-
bab sebelumnya, gabungan banyak fungsi non-linear ini lebih hebat dibanding
single perceptron. Seperti yang kamu lihat pada Gambar 11.5, masing-masing
neuron terkoneksi dengan semua neuron pada layer berikutnya. Konfigurasi
ini disebut sebagai fully connected . MLP pada umumnya menggunakan kon-
figurasi fully connected.
K
!
X
oj = σ xk wk,j + βj (11.6)
k=1
!
XJ XJ K
X
vi = σ oj uj,i + γi = σ σ xk wk,j + βj uj,i + γi (11.7)
j=1 j=1 k=1
Perhatikan persamaan 11.6 dan 11.7 untuk menghitung output pada layer
yang berbeda. u, w adalah learning parameters. β, γ melambangkan noise atau
bias. K adalah banyaknya input units dan J adalah banyaknya hidden units.
Persamaan 11.7 dapat disederhanakan penulisannya sebagai persamaan 11.8.
Persamaan 11.8 terlihat relatif lebih “elegan”. Seperti yang disebutkan pada
subbab sebelumnya, ANN dapat direpresentasikan dengan notasi operasi al-
jabar.
136 11 Feedforward Neural Network
Error, untuk MLP diberikan oleh persamaan 11.10 (untuk satu data point),
dimana I adalah banyaknya output unit dan θ adalah kumpulan weight ma-
trices (semua parameter pada MLP). Kami inggatkan kembali perhitungan
error bisa juga menggunakan nilai absolut6 .
I
1X
E(θ) = (yi − vi )2 (11.10)
2 i=1
Mari kita lakukan proses penurunan untuk melatih MLP. Error /loss ditu-
runkan terhadap tiap learning parameter.
Diferensial uj,i diberikan oleh turunan sigmoid function
δE(θ) δvi
= (yi − vi )
δuj,i δuj,i
= (yi − vi )vi (1 − vi )oj
5
Kata “setelah” mengacu layer yang menuju output layer, “sebelum” mengacu
layer yang lebih dekat dengan input layer.
6
Kami menggunakan tanda kurung agar lebih mudah dibaca penurunan rumusnya.
11.4 Multilayer Perceptron 137
I
X δvi δoj
= (yi − vi )
i=1
δoj δwk,j
I
X
= (yi − vi )(vi (1 − vi )uj,i )(oj (1 − oj )xk )
i=1
P
Perhatikan, diferensial wk,j memiliki sementara uj,i tidak ada. Hal ini dise-
babkan karena uj,i hanya berkorespondensi dengan satu output neuron. Se-
mentara wk,j berkorespondensi dengan banyak output neuron. Dengan kata
lain, nilai wk,j mempengaruhi hasil operasi yang terjadi pada banyak out-
put neuron, sehingga banyak neuron mempropagasi error kembali ke wk,j .
Ilustrasi diberikan pada Gambar 11.6.
P
Gambar 11.6. Justifikasi penggunaan pada penurunan dari hidden ke input
layer
11.5 Interpretability
Interpretability ada dua macam yaitu model interpretability (i.e., apakah
struktur model pembelajaran mesin dapat dipahami) dan prediction inter-
pretability (i.e., bagaimana memahami dan memverifikasi cara input dipetakan
menjadi output) [50]. Contoh teknik pembelajaran mesin yang mudah di-
interpretasikan baik secara struktur dan prediksinya adalah decision tree
(bab 6.2). Struktur decision tree berupa pohon keputusan mudah dimengerti
oleh manusia dan prediksi (keputusan) dapat dilacak (trace). Seperti yang
sudah dijelaskan pada bagian pengantar, ANN (MLP) biasanya dianggap se-
bagai metode black box atau susah untuk dinterpretasikan (terutama model
interpretability-nya). Hal ini disebabkan oleh kedalaman (depth) yaitu memi-
liki beberapa layer dan non-linearities. Suatu unit pada output layer dipen-
garuhi oleh kombinasi (arbitrary combination) banyak parameter pada layers
sebelumnya yang dilewatkan pada fungsi non-linear. Sulit untuk mengetahui
bagaimana pengaruh bobot suatu unit pada suatu layer berpengaruh pada
output layer, beserta bagaimana pengaruh kombinasi bobot. Intinya, fitur dan
output tidak memiliki korespondensi satu-satu. Berbeda dengan model linear,
kita tahu parameter (dan bobotnya) untuk setiap input. Salah satu arah riset
adalah mencari cara agar keputusan yang dihasilkan oleh ANN dapat di-
jelaskan [51]7 , salah satu contoh nyata adalah attention mechanism [52, 53]
7
Karena struktur lebih susah, setidaknya beranjak dari keputusan terlebih dahulu
11.7 Multi-label Classification 139
Gambar 11.8. Contoh heat map (attention mechanism) pada mesin translasi.
Warna lebih gelap menandakan bobot lebih tinggi. Sebagai contoh, kata “menen-
dang” berkorespondensi paling erat dengan kata “kicks”
apabila data masuk ke kelas ci , sementara nilai elemen lainnya adalah 0 (ilus-
trasi pada Gambar 11.9).Output ANN dilewatkan pada suatu fungsi softmax
yang melambangkan probabilitas class-assignment; i.e., kita ingin output agar
semirip mungkin dengan sparse vector (desired output). Pada kasus ini, output
ANN adalah sebuah distribusi yang melambangkan input di-assign ke kelas
tertentu. Ingat kembali materi bab 5, cross entropy cocok digunakan sebagai
utility function ketika output berbentuk distribusi.
! !
XH2 H1
X M
X
fi = σ uj,i σ vk,j σ xm wm,k + βk + γj + λi (11.11)
j=1 k=1 m=1
Cara melatih deep neural network, salah satunya dapat menggunakan back-
propagation. Seperti pada bagian sebelumnya, kita hanya perlu menurunkan
rumusnya saja. Penurunan diserahkan pada pembaca sebagai latihan.
Hasil proses penurunan dapat dilihat pada Gambar 11.11.
11
Hanya istilah keren saja, tak ada arti spesial!
12
Terkadang disingkat menjadi deep network saja.
142 11 Feedforward Neural Network
Deep network terdiri dari banyak layer dan synapse weight, karenanya es-
timasi parameter susah dilakukan. Arti filosofisnya adalah susah/lama untuk
menentukan relasi antara input dan output. Walaupun deep learning seper-
tinya kompleks, tetapi entah kenapa dapat bekerja dengan baik untuk per-
masalahan praktis [9]. Deep learning dapat menemukan relasi “tersembunyi”
antara input dan output, yang tidak dapat diselesaikan menggunakan multi-
layer perceptron (3 layers). Perhatikan, kamu harus ingat bahwa satu langkah
feedforward memiliki analogi dengan transformasi. Jadi, input ditransfor-
masikan secara non-linear sampai akhirnya pada output, berbentuk distribusi
class-assignment.
Banyak orang percaya deep neural network lebih baik dibanding neural
network yang lebar tapi sedikit layer, karena terjadi lebih banyak transfor-
masi. Maksud lebih banyak transformasi adalah kemampuan untuk merubah
input menjadi suatu representasi (tiap hidden layer dapat dianggap sebagai
salah satu bentuk representasi input) dengan langkah hierarchical. Seperti
contoh permasalahan XOR, permasalahan non-linearly separable pun dapat
diselesaikan apabila kita dapat mentransformasi data (representasi data) ke
dalam bentuk linearly separable pada ruang yang berbeda. Keuntungan utama
deep learning adalah mampu merubah data dari non-linearly separable men-
jadi linearly separable melalui serangkaian transformasi (hidden layers). Selain
itu, deep learning juga mampu mencari decision boundary yang berbentuk
non-linear, serta mengsimulasikan interaksi non-linear antar fitur.
Karena memiliki banyak parameter, proses latihan ANN pada umumnya
lambat. Ada beberapa strategi untuk mempercepat pembelajaran menggu-
nakan deep learning, misalnya: regularisasi, successive learning , dan peng-
gunaan autoencoder [9]. Sebagai contoh, arti successive learning adalah
jaringan yang dibangun secara bertahap. Misal kita latih ANN dengan 3 lay-
ers, kemudian kita lanjutkan 3 layers tersebut menjadi 4 layers, lalu kita latih
lagi menjadi 5 layers, dst. Hal ini sesuai dengan [55], yaitu mulai dari hal ke-
cil. Ilustrasinya dapat dilihat pada Gambar 11.12. Menggunakan deep learning
harus hati-hati karena pembelajaran cenderung divergen (artinya, minimum
squared error belum tentu semakin rendah seiring berjalannya waktu – swing
relatif sering).
11.9 Tips
Pada contoh yang diberikan, error atau loss dihitung per tiap data point.
Artinya begitu ada melewatkan suatu input, parameter langsung dioptimisasi
sesuai dengan loss. Pada umumnya, hal ini tidak baik untuk dilakukan karena
ANN menjadi tidak stabil. Metode yang lebih baik digunakan adalah teknik
minibatches. Yaitu mengoptimisasi parameter untuk beberapa buah inputs.
Jadi, update parameter dilakukan per batch. Perhitungan error juga berubah,
diberikan pada persamaan 11.12 dimana B melambangkan batch size (jum-
lah instans per batch), y adalah desired output dan o adalah actual output.
11.9 Tips 143
13
Analogi: ngebut saat baru berangkat, kemudian memelan saat sudah dekat den-
gan tujuan agar tidak kelewat
14
https://en.wikipedia.org/wiki/Hyperparameter_optimization
144 11 Feedforward Neural Network
ANN dengan arsitektur yang sama dapat berbeda ketika dilatih ulang dari
awal. Untuk menghindari bias inisialisasi parameter, biasanya ANN dilatih
beberapa kali (umumnya 5, 10, atau 15 kali). Kinerja ANN yang dilaporkan
adalah nilai kinerja rata-rata dan varians (variance). Kamu mungkin sudah
menyadari bahwa melatih ANN harus telaten, terutama dibanding model lin-
ear. Untuk model linear, ia akan memberikan konfigurasi parameter yang sama
untuk training data yang sama (kinerja pun sama). Tetapi, ANN dapat kon-
figurasi parameter yang berbeda untuk training data yang sama (kinerja pun
berbeda). Pada model linear, kemungkinan besar variasi terjadi saat meng-
ganti data. Pada ANN, variasi kinerja ada pada seluruh proses! Untuk mem-
bandingkan dua arsitektur ANN pada suatu dataset, kita dapat menggunakan
two sample t-test unequal variance (arsitektur X lebih baik dari arsitektur Y
secara signifikan dengan nilai p < threshold).
Apabila kamu pikir dengan seksama, ANN sebenarnya melakukan trans-
formasi non-linear terhadap input hingga menjadi output. Parameter diper-
barahui agar transformasi non-linear input bisa menjadi semirip mungkin den-
gan output yang diharapkan. Dengan hal ini, istilah “ANN” memiliki asosi-
asi yang dekat dengan “transformasi non-linear”. Kami ingin kamu mengin-
gat, ANN (apapun variasi arsitekturnya) adalah gabungan fungsi non-
linear, dengan demikian ia mampu mengaproksimasi fungsi non-linear (deci-
sion boundary dapat berupa fungsi non-linear).
Deep learning menjadi penting karena banyaknya transformasi (banyaknya
hidden layers) lebih penting dibanding lebar jaringan. Seringkali (pada per-
masalahan praktis), kita membutuhkan banyak transformasi agar input bisa
menjadi output. Setiap transformasi (hidden layer ) merepresentasikan input
menjadi suatu representasi. Dengan kata lain, hidden layer satu dan hidden
layer lainnya mempelajari bentuk representasi atau karakteristik input yang
berbeda.
Curriculum learning juga adalah tips yang layak disebutkan (men-
tion) [56]. Penulis tidak mengerti detilnya, sehingga pembaca diharapkan
membaca sendiri. Intinya adalah memutuskan apa yang harus ANN pelajari
terlebih dahulu (mulai dari mempelajari hal mudah sebelum mempelajari hal
yang susah).
30% synapse weights (dropout rate= 0.3) secara random. Hal ini dapat dicapai
dengan teknik masking, yaitu mengalikan synapse weights dengan suatu mask.
Ingat kembali ANN secara umum, persamaan 11.13 dimana W adalah
synapse weights, x adalah input (dalam pembahasan saat ini, dapat merepre-
sentasikan hidden state pada suatu layer), b adalah bias dan f adalah fungsi
aktivasi (non-linear). Kita buat suatu mask untuk synapse weights seperti
pada persamaan 11.14, dimana p adalah vektor dan pi = [0, 1] merepresen-
tasikan synapse weight diikutsertakan atau tidak. r% (dropout rate) elemen
vektor p bernilai 0. Biasanya p diambil dari bernoulli distribution [1]. Kemu-
dian, saat feed forward, kita ganti synapse weights menggunakan mask seperti
pada persamaan 11.15. Saat menghitung backpropagation, turunan fungsi juga
mengikutsertakan mask (gradient di-mask ). Kami sarankan untuk membaca
paper oleh Srivastava et al. [57] tentang dropout pada ANN. Contoh imple-
mentasi dropout dapat dilihat pada pranala berikut15 . Teknik regularization
dan dropout sudah menjadi metode yang cukup “standar” dan diaplikasikan
pada berbagai macam arsitektur.
o = f (x · W + b) (11.13)
W0 = p · W (11.14)
o = f (x · W0 + b) (11.15)
11.12 Rangkuman
Ada beberapa hal yang perlu kamu ingat, pertama-tama jaringan neural net-
work terdiri atas:
1. Input layer
2. Hidden layer(s)
3. Output layer
Setiap edge yang menghubungkan suatu node dengan node lainnya disebut
synapse weight. Pada saat melatih neural network kita mengestimasi nilai
yang “bagus” untuk synapse weights.
Kedua, hal tersulit saat menggunakan neural network adalah menentukan
topologi. Kamu bisa menggunakan berbagai macam variasi topologi neu-
ral network serta cara melatih untuk masing-masing topologi. Tetapi, suatu
topologi tertentu lebih tepat untuk merepresentasikan permasalahan diband-
ing topologi lainnya. Menentukan tipe topologi yang tepat membutuhkan pen-
galaman.
Ketiga, proses training untuk neural network berlangsung lama. Secara
umum, perubahan nilai synapse weights mengikuti tahapan (stage) berikut [9]:
1. Earlier state. Pada tahap ini, struktur global (kasar) diestimasi.
2. Medium state. Pada tahap ini, learning berubah dari tahapan global men-
jadi lokal (ingat steepest gradient descent).
3. Last state. Pada tahap ini, struktur detail sudah selesai diestimasi. Hara-
pannya, model menjadi konvergen.
Neural network adalah salah satu learning machine yang dapat menemukan
hidden structure atau pola data “implisit”. Secara umum, learning machine
tipe ini sering menjadi overfitting/overtraining, yaitu model memiliki kinerja
sangat baik pada training data, tapi buruk pada testing data/unseen example.
Oleh sebab itu, menggunakan neural network harus hati-hati.
Keempat, neural network dapat digunakan untuk supervised, semi -supervised,
maupun unsupervised learning. Hal ini membuat neural network cukup pop-
uler belakangan ini karena fleksibilitas ini. Contoh penggunaan neural net-
11.12 Rangkuman 147
work untuk unsupervised learning akan dibahas pada bab 12. Semakin canggih
komputer, maka semakin cepat melakukan perhitungan, dan semakin cepat
melatih neural network. Hal ini adalah kemewahan yang tidak bisa dirasakan
20-30 tahun lalu.
Soal Latihan
11.1. Turunan
(a) Turunkanlah perubahan noise/bias untuk training pada MLP.
(b) Turunkanlah proses training deep neural network pada Gambar 11.11 ter-
masuk perubahan noise/bias.
Carly Fiorina
Bab ini memuat materi yang relatif sulit (karena agak high level ). Bab
ini memuat materi autoencoder serta penerapannya pada pemrosesan ba-
hasa alami (natural language processing - NLP). Berhubung aplikasi
yang diceritakan adalah aplikasi pada NLP, kami akan memberi sedikit ma-
teri (background knowledge) agar bisa mendapat gambaran tentang persoalan
pada domain tersebut. Bagi yang tertarik belajar NLP, kami sarankan untuk
membaca buku [59]. Teknik yang dibahas pada bab ini adalah representa-
tion learning untuk melakukan pengurangan dimensi pada feature vector
(dimensionality reduction), teknik ini biasanya digolongkan sebagai unsuper-
vised learning. Artinya, representation learning adalah mengubah suatu rep-
resentasi menjadi bentuk representasi lain yang ekuvalen, tetapi berdimensi
lebih rendah; sedemikian sehingga informasi yang terdapat pada representasi
asli tidak hilang/terjaga. Ide dasar teknik ini bermula dari aljabar linear, yaitu
dekomposisi matriks.
1
http://scikit-learn.org/stable/modules/feature_selection.html
2
Istilah representation learning pada umumnya mengacu dengan teknik menggu-
nakan neural network.
3
Bisa dianggap sebagai proses menginterpretasikan coding.
12.2 Singular Value Decomposition 151
parameter yang dibutuhkan tidak berlipat secara eksponensial walau kita in-
gin memodelkan konteks yang lebih besar [66].
X = U V WT (12.2)
4
Banyaknya training data.
152 12 Autoencoder
Kita juga dapat me-nol-kan sejumlah baris dan kolom pada matriks U dan
W menjadi Û (N × K) dan Ŵ (K × F ). Apabila kita mengalikan semuanya,
kita akan mendapat matriks X̂ yang disebut low rank approximation dari
matriks asli X, seperti diilustrasikan pada persamaan 12.3.
X̂ = Û V̂ Ŵ (12.3)
Suatu baris dari matriks E = Û V̂ dianggap sebagai aproksimasi baris
matriks X berdimensi tinggi [1]. Artinya, menghitung dot-product Ei · Ej =
X̂i · X̂j . Artinya, operasi pada matriks aproksimasi (walaupun berdimensi
lebih rendah), kurang lebih melambangkan operasi pada matriks asli. Kon-
sep ini menjadi fundamental autoencoder yang akan dibahas pada subbab
berikutnya. Operasi data pada level coding dianggap merepresentasikan op-
erasi pada bentuk aslinya. Matriks aproksimasi ini memanfaatkan sejumlah
K arah paling berpengaruh pada data. Dengan analogi tersebut, sama seperti
mentransformasi data ke bentuk lain dimana data hasil transformasi memiliki
varians yang tinggi.
output dari jaringan dan Z adalah dimensi output, N adalah banyaknya in-
stans dan xi adalah data ke-i (feature vector ke-i).
Z
1 X 2
E(θ) = xi[j] − yi[j] (12.4)
N i=j
Persamaan 12.4 dapat kita tulis kembali sebagai persamaan 12.5, dimana f
melambangkan fungsi aktivasi dan θ adalah ANN (kumpulan weight matri-
ces)5 .
Z
1 X 2
E(θ) = xi[j] − f (xi , θ)[j] (12.5)
N j=1
Seperti yang sudah dijelaskan sebelumnya, desired output sama dengan input.
Tetapi seperti yang kamu ketahui, mencapai loss sebesar 0% adalah hal yang
susah. Dengan demikian, kamu dapat memahami secara intuitif bahwa au-
toencoder melakukan aproksimasi terhadap data asli. Gambar 12.2 mengilus-
trasikan hubungan antara autoencoder dan singular value decomposition 6 .
Perhatikan, hidden layer /coding adalah E = Û V̂. Dengan kata lain, kita
Pada contoh sederhana ini, encoder dan decoder diilustrasikan sebagai sebuah
layer. Kenyataannya, encoder dan decoder dapat diganti menggunakan sebuah
neural network dengan arsitektur kompleks.
Sekarang kamu mungkin bertanya-tanya, bila autoencoder melakukan
hal serupa seperti singular value decomposition, untuk apa kita menggu-
nakan autoencoder ? (mengapa tidak menggunakan aljabar saja?) Berbeda
dengan teknik SVD, teknik autoencoder dapat juga mempelajari fitur non-
linear7 . Pada penggunaan praktis, autoencoder adalah neural network yang
cukup kompleks (memiliki banyak hidden layer ). Dengan demikian, kita da-
pat ”mengetahui” berbagai macam representasi atau transformasi data.
Framework autoencoder yang disampaikan sebelumnya adalah framework
dasar. Pada kenyataannya, masih banyak ide lainnya yang bekerja dengan
prinsip yang sama untuk mencari coding pada permasalahan khusus. Output
dari neural network juga bisa tidak sama input-nya, tetapi tergantung per-
masalahan (kami akan memberikan contoh persoalan word embedding). Selain
itu, autoencoder juga relatif fleksibel; dalam artian saat menambahkan data
baru, kita hanya perlu memperbaharui parameter autoencoder saja. Kami
sarankan untuk membaca paper [67, 68] perihal penjelasan lebih lengkap ten-
tang perbedaan dan persamaan SVD dan autoencoder secara lebih matematis.
Secara sederhana, representation learning adalah teknik untuk mengkom-
presi input ke dalam dimensi lebih rendah tanpa (diharapkan) ada kehilangan
informasi. Operasi vektor (dan lainnya) pada level coding merepresentasikan
operasi pada bentuk aslinya. Untuk pembahasan autoencoder secara lebih
7
Hal ini abstrak untuk dijelaskan karena membutuhkan pengalaman.
12.4 Resisting Perturbation 155
8
https://jaan.io/what-is-variational-autoencoder-vae-tutorial/
156 12 Autoencoder
Implikasi atau tujuan dari persamaan 12.9 diberikan pada Gambar 12.4
yang mengilustrasikan invariant to slight changes. Diberikan data dengan dis-
tribusi asli pdata , dan data yang sudah terkena noise x̃, autoencoder mampu
mengembalikan x̃ ke bentuk asli x. Sebagai ilustrasi yang lebih “global”, per-
hatikan Gambar 12.5 dimana suatu elips melambangkan manifolds. Kamu
dapat memahami resistance to perturbation membuat autoencoder memben-
tuk semacam “ruang lokal” yang merepresentasikan suatu data dan variannya.
9
https://wordnet.princeton.edu/
12.5 Representing Context: Word Embedding 157
sinonim. Akan tetapi, hal seperti ini tentu sangat melelahkan, seumpama ada
kata baru, kita harus memikirkan bagaimana hubungan kata tersebut ter-
hadap seluruh kamus yang sudah dibuat. Pembuatan kamus ini memerlukan
kemampuan para ahli linguistik.
Oleh sebab itu, kita harus mencari cara lain untuk menemukan hubungan
kata ini. Ide utama untuk menemukan hubungan antarkata adalah statisti-
cal semantics hypothesis yang menyebutkan pola penggunaan kata dapat
digunakan untuk menemukan arti kata [69]. Contoh sederhana, kata yang
muncul pada “konteks” yang sama cenderung memiliki makna yang sama.
Perhatikan “konteks” dalam artian NLP adalah kata-kata sekitar (surrounding
words)10 ; contohnya kalimat ”budi menendang bola”, “konteks” dari “bola”
adalah “budi menendang”. Kata “cabai” dan “permen” pada kedua kalimat
“budi suka cabai” dan “budi suka permen” memiliki kaitan makna, dalam
artian keduanya muncul pada konteks yang sama. Sebagai manusia, kita tahu
ada keterkaitan antara “cabai” dan “permen” karena keduanya bisa dimakan.
Berdasarkan hipotesis tersebut, kita dapat mentransformasi kata menjadi
sebuah bentuk matematis dimana kata direpresentasikan oleh pola penggu-
naannya [59]. Arti kata embedding adalah transformasi kata (beserta kon-
teksnya) menjadi bentuk matematis (vektor). “Kedekatan hubungan makna”
(semantic relationship) antarkata kita harapkan dapat tercermin pada op-
erasi vektor. Salah satu metode sederhana untuk merepresentasikan kata seba-
gai vektor adalah Vector Space Model . Konsep embedding dan autoencoder
sangatlah dekat, tapi kami ingin menakankan bahwa embedding adalah bentuk
representasi konteks.
Semantic relationship dapat diartikan sebagai attributional atau
relational similarity . Attributional similarity berarti dua kata memiliki
10
Selain surrounding words, konteks dalam artian NLP dapat juga berupa kalimat,
paragraph, atau dokumen.
158 12 Autoencoder
atribut/sifat yang sama, misalnya anjing dan serigala sama-sama berkaki em-
pat, menggongong, serta mirip secara fisiologis. Relational similarity berarti
derajat korespondensi, misalnya anjing : menggongong memiliki hubungan
yang erat dengan kucing : mengeong.
Vector space model (VSM)11 adalah bentuk embedding yang relatif sudah
cukup lama tapi masih digunakan sampai saat ini. Pada pemodelan ini, kita
membuat sebuah matriks dimana baris melambangkan kata, kolom melam-
bangkan dokumen. Metode VSM ini selain mampu menangkap hubungan an-
tarkata juga mampu menangkap hubungan antardokumen (to some degree).
Asal muasalnya adalah statistical semantics hypothesis. Tiap sel pada matriks
berisi nilai 1 atau 0. 1 apabila katai muncul di dokumeni dan 0 apabila tidak.
Model ini disebut 1-of-V/1-hot encoding dimana V adalah ukuran kosa
kata. Ilustrasi dapat dilihat pada Tabel 12.1.
Akan tetapi, 1-of-V encoding tidak menyediakan banyak informasi untuk
kita. Dibanding sangat ekstrim saat mengisi sel dengan nilai 1 atau 0 saja, kita
dapat mengisi sel dengan frekuensi kemunculan kata pada dokumen, disebut
term frequency (TF). Apabila suatu kata muncul pada banyak dokumen,
kata tersebut relatif tidak terlalu ”penting” karena muncul dalam berbagai
konteks dan tidak mampu membedakan hubungan dokumen satu dan doku-
men lainnya (inverse document frequency /IDF). Formula IDF diberikan
pada persamaan 12.10. Tingkat kepentingan kata berbanding terbalik dengan
jumlah dokumen dimana kata tersebut dimuat. N adalah banyaknya doku-
men, |dD; td| adalah banyaknya dokumen dimana kata t muncul.
N
IDF (t, D) = log (12.10)
|dD; td|
Dengan menggunakan perhitungan TF-IDF yaitu T F ∗IDF untuk mengisi
sel pada matriks Tabel 12.1, kita memiliki lebih banyak informasi. TF-IDF
sampai sekarang menjadi baseline pada information retrieval . Misalkan
11
Mohon bedakan dengan VSM (vector space model ) dan SVM (support vector
machine)
12.5 Representing Context: Word Embedding 159
kita ingin menghitung kedekatan hubungan antar dua dokumen, kita hitung
cosine distance antara kedua dokumen tersebut (vektor suatu dokumen
disusun oleh kolom pada matriks). Apabila kita ingin menghitung kedekatan
hubungan antar dua kata, kita hitung cosine distance antara kedua kata terse-
but dimana vektor suatu kata merupakan baris pada matriks. Tetapi seperti
intuisi yang mungkin kamu miliki, mengisi entry dengan nilai TF-IDF pun
akan menghasilkan sparse matrix.
Bahasa manusia memiliki dua macam karakteristik yaitu adalah data berben-
tuk sequential data dan memenuhi sifat compositionality. Sequential data
adalah sifat data dimana suatu kemunculan datai dipengaruhi oleh data se-
belumnya (datai−1 , datai−2 , ...). Perhatikan kedua kalimat berikut:
1. Budi melempar bola.
2. Budi melempar gedung bertingkat.
Pada kedua kalimat tersebut, kalimat pertama lebih masuk akal karena
bagaimana mungkin seseorang bisa melempar “gedung bertingkat”. Kepu-
tusan kita dalam memilih kata berikutnya dipengaruhi oleh kata-kata se-
belumnya, dalam hal ini “Budi melempar” setelah itu yang lebih masuk akal
adalah “bola”. Contoh lain adalah data yang memiliki sifat time series
yaitu gelombang laut, angin, dan cuaca. Kita ingin memprediksi data den-
gan rekaman masa lalu, tapi kita tidak mengetahui masa depan. Kita mampu
memprediksi cuaca berdasarkan rekaman parameter cuaca pada hari-hari se-
belumnya. Ada yang berpendapat beda time series dan sequential (sekuen-
sial) adalah diketahuinya sekuens kedepan secara penuh atau tidak. Penulis
tidak dapat menyebutkan time series dan sekuensial sama atau beda, silahkan
pembaca menginterpretasikan secara bijaksana.
Data yang memenuhi sifat compositionality berarti memiliki struktur
hirarkis. Struktur hirarkis ini menggambarkan bagaimana unit-unit lebih ke-
cil berinteraksi sebagai satu kesatuan. Artinya, interpretasi/pemaknaan unit
yang lebih besar dipengaruhi oleh interpretasi/pemaknaan unit lebih kecil
(subunit). Sebagai contoh, kalimat “saya tidak suka makan cabai hijau”. Unit
160 12 Autoencoder
”cabai” dan ”hijau” membentuk suatu frasa ”cabai hijau”. Mereka tidak bisa
dihilangkan sebagai satu kesatuan makna. Kemudian interaksi ini naik lagi
menjadi kegiatan “makan cabai hijau” dengan keterangan “tidak suka”, bahwa
ada seseorang yang “tidak suka makan cabai hijau” yaitu “saya”. Pemecahan
kalimat menjadi struktur hirarkis berdasarkan syntactical role disebut con-
stituent parsing, contoh lebih jelas pada Gambar 12.6. N adalah noun, D
adalah determiner, NP adalah noun phrase, VP adalah verb phrase, dan S
adalah sentence. Selain bahasa manusia, gambar juga memiliki struktur hi-
rarkis. Sebagai contoh, gambar rumah tersusun atas tembok, atap, jendela,
dan pintu. Tembok, pintu, dan jendela membentuk bagian bawah rumah; lalu
digabung dengan atap sehingga membentuk satu kesatuan rumah.
Seperti yang disebutkan pada bagian sebelumnya, kita ingin hubungan kata
(yang diinferensi dari konteksnya) dapat direpresentasikan sebagai operasi
vektor seperti pada ilustrasi Gambar 12.7. Kata “raja” memiliki sifat-sifat
yang dilambangkan oleh suatu vektor (misal 90% aspek loyalitas, 80% ke-
bijaksanaan, 90% aspek kebangsaan, dst), begitu pula dengan kata “pria”,
“wanita”, dan “ratu”. Jika sifat-sifat yang dimiliki “raja” dihilangkan bagian
sifat-sifat “pria”-nya, kemudian ditambahkan sifat-sifat “wanita” maka ideal-
nya operasi ini menghasilkan vektor yang dekat kaitannya dengan “ratu”. Den-
gan kata lain, raja yang tidak maskulin tetapi fenimin disebut ratu. Seperti
yang disebutkan sebelumnya, ini adalah tujuan utama embedding yaitu merep-
resentasikan “makna” kata sebagai vektor sehingga kita dapat memanipulasi
banyak hal berdasarkan operasi vektor. Hal ini mirip (tetapi tidak sama)
dengan prinsip singular value decomposition dan autoencoder yang telah di-
jelaskan sebelumnya.
12
source: Pinterest
12.5 Representing Context: Word Embedding 161
Selain vector space model, apakah ada cara lain yang mampu merep-
resentasikan kata dengan lebih baik? Salah satu kekurangan VSM adalah
tidak memadukan sifat sekuensial pada konstruksi vektornya. Cara lebih baik
ditemukan oleh [43, 44] dengan ekstensi pada [65]. Idenya adalah menggu-
nakan teknik representation learning dan prinsip statistical semantics hypoth-
esis. Metode ini lebih dikenal dengan sebutan word2vec. Tujuan word2vec
masih sama, yaitu merepresentasikan kata sebagai vektor, sehingga kita dapat
melakukan operasi matematis terhadap kata. Encoder -nya berbentuk Conti-
nous bag of words (CBOW) atau Skip Gram. Pada CBOW, kita mem-
prediksi kata diberikan suatu “konteks”. Pada arsitektur ”Skip Gram” kita
memprediksi konteks, diberikan suatu kata. Ilustrasi dapat dilihat pada Gam-
bar 12.8. Bagian projection layer pada Gambar 12.8 adalah coding layer. Kami
akan memberikan contoh CBOW secara lebih detil. Kedua arsitektur ini da-
pat dilatih menggunakan one-hot encoding, i.e., wi merepresentasikan one-hot
encoding untuk kata ke-i.
Perhatikan Gambar 12.9. Diberikan sebuah konteks “si kucing duduk ...
tiker”. Kita harus menebak apa kata pada “...” tersebut. Dengan menggu-
nakan teknik autoencoder, output layer adalah distribusi probabilitas katai
pada konteks tersebut. Kata yang menjadi jawaban adalah kata dengan proba-
bilitas terbesar, misalkan pada kasus ini adalah “beralaskan”. Dengan arsitek-
tur ini, prinsip sekuensial atau time series dan statistical semantics hypothesis
terpenuhi (to a certain extent). Teknik ini adalah salah satu contoh penggu-
naan neural network untuk unsupervised learning. Kita tidak perlu mengko-
respondensikan kata dan output yang sesuai karena input vektor didapat dari
statistik penggunaan kata. Agar lebih tahu kegunaan vektor kata, kamu da-
pat mencoba kode dengan bahasa pemrograman Python 2.7 yang disediakan
penulis13 . Buku ini telah menjelaskan ide konseptual word embedding pada
level abstrak, yaitu merepresentasikan kata dan konteksnya menjadi bentuk
vektor. Apabila kamu tertarik untuk memahami detilnya secara matematis,
13
https://github.com/wiragotama/GloVe_Playground
162 12 Autoencoder
kamu dapat membaca berbagai penelitian terkait14 . Silahkan baca paper oleh
Mikolov [43, 44] untuk detil implementasi word embedding.
12.6 Tips
Bab ini menyampaikan penggunaan neural network untuk melakukan kom-
presi data (representation learning) dengan teknik unsupervised learning. Hal
yang lebih penting untuk dipahami bahwa ilmu machine learning tidak berdiri
sendiri. Walaupun kamu menguasai teknik machine learning tetapi tidak
mengerti domain dimana teknik tersebut diaplikasikan, kamu tidak akan bisa
membuat learning machine yang memuaskan. Contohnya, pemilihan fitur ma-
chine learning pada teks (NLP) berbeda dengan gambar (visual processing).
Mengerti machine learning tidak semata-mata membuat kita bisa menyele-
saikan semua macam permasalahan. Tanpa pengetahuan tentang domain ap-
likasi, kita bagaikan orang buta yang ingin menyetir sendiri!
Soal Latihan
12.1. Penggunaan Autoencoder untuk Arsitektur Kompleks
(a) Pada bab 11, telah dijelaskan bahwa kita dapat menginisialisasi arsitektur
neural network yang kompleks menggunakan autoencoder. Jelaskan pada
kasus apa kita dapat melakukan hal tersebut!
(b) Jelaskan mengapa menginisiasi (sebagian) arsitektur kompleks menggu-
nakan autoencoder adalah sesuatu yang masuk akal!
John C. Bean
Seperti yang sudah dijelaskan pada bab 12, data memiliki karakteristik
(dari segi behaviour ) misal sequential data, compositional data, dsb. Terdapat
arsitektur khusus artificial neural network (ANN) untuk menyelesaikan per-
soalan pada tipe data tertentu. Pada bab ini, kami akan memberikan beberapa
contoh variasi arsitektur ANN yang cocok untuk tipe data tertentu. Penulis
akan berusaha menjelaskan semaksimal mungkin ide-ide penting pada masing-
masing arsitektur. Tujuan bab ini adalah memberikan pengetahuan konsep-
tual (intuisi). Pembaca harus mengeksplorasi tutorial pemrograman untuk
mampu mengimplementasikan arsitektur-arsitektur ini. Penjelasan pada bab
ini bersifat abstrak dan kamu harus mengerti penjelasan bab-bab sebelumnya
untuk mengerti konsep pada bab ini.
Subbab ini akan memaparkan ide utama dari convolutional neural network
(CNN) berdasarkan paper asli dari LeCun dan Bengio [71] (saat buku ini
ditulis sudah ada banyak variasi). CNN memiliki banyak istilah dari bidang
pemrosesan gambar (karena dicetuskan dari bidang tersebut), tetapi demi
168 13 Arsitektur Neural Network
13.1.1 Convolution
Seperti yang sudah dijelaskan, motivasi CNN adalah untuk mampu menge-
nali aspek yang informatif pada regional tertentu (lokal). Dibanding meng-
copy mesin pembelajaran beberapa kali untuk mengenali objek pada banyak
regional, ide lebih baik adalah untuk menggunakan sliding window . Setiap
operasi pada window 1 bertujuan untuk mencari aspek lokal yang paling infor-
1
Dikenal juga sebagai receptive field.
13.1 Convolutional Neural Network 169
Agar kamu lebih mudah memahami prinsip ini, kami berikan contoh dalam
bentuk 1-D pada Gambar. 13.4. Warna biru merepresentasikan feature vector
(regional) untuk suatu input (e.g., regional pada suatu gambar, kata pada
kalimat, dsb). Pada contoh ini, setiap 2 input ditransformasi menjadi vektor
berdimensi 2 (2-channels); menghasilkan vektor berdimensi 4 (2 window ×
2).
Pada contoh sebelumnya, kita menggunakan window selebar 2, satu win-
dow mencakup 2 data; i.e., window 1 = (x1 , x2 ), window 2 = (x2 , x3 ), · · · .
Untuk suatu input x. Kita juga dapat mempergunakan stride sebesar s,
yaitu seberapa banyak data yang digeser untuk window baru. Contoh yang
diberikan memiliki stride sebesar satu. Apabila kita memiliki stride= 2, maka
2
Istilah convolution yang diterangkan pada konteks machine learning memiliki arti
yang berbeda pada bidang signal processing.
170 13 Arsitektur Neural Network
kita menggeser sebanyak 2 data setiap langkah; i.e., window 1 = (x1 , x2 ), win-
dow 2 = (x3 , x4 ), · · · .
Selain sliding window dan filter, convolutional layer juga mengadopsi prin-
sip weight sharing. Artinya, synapse weights untuk suatu filter adalah sama
walau filter tersebut dipergunakan untuk berbagai window. Sebagai ilustrasi,
perhatikan Gambar. 13.5, warna yang sama pada synapse weights menun-
jukkan synapse weights bersangkutan memiliki nilai (weight) yang sama.
Tidak hanya pada filter hitam, hal serupa juga terjadi pada filter berwarna
oranye (i.e., filter berwarnya oranye juga memenuhi prinsip weight sharing).
Walaupun memiliki konfigurasi bobot synapse weights yang sama, unit da-
pat menghasilkan output yang berbeda untuk input yang berbeda. Konsep
weight sharing ini sesuai dengan cerita sebelumnya bahwa konfigurasi param-
eter untuk mengenali karakteristik informatif untuk satu objek bernilai sama
walau pada lokasi yang berbeda. Dengan weight sharing, parameter neural
network juga menjadi lebih sedikit dibanding menggunakan multilayer per-
ceptron (feed-forward neural network ).
13.1.2 Pooling
Pada tahap convolution, kita merubah setiap k-sized window menjadi satu
vektor berdimensi d (yang dapat disusun menjadi matriks D). Semua vek-
tor yang dihasilkan pada tahap sebelumnya dikombinasikan (pooled ) menjadi
satu vektor c. Ide utamanya adalah mengekstrak informasi paling informatif
(semacam meringkas). Ada beberapa teknik pooling, diantaranya: max pooling,
13.1 Convolutional Neural Network 171
average pooling, dan K-max pooling 3 ; diilustrasikan pada Gambar. 13.6. Max
pooling mencari nilai maksimum untuk setiap dimensi vektor. Average pooling
mencari nilai rata-rata tiap dimensi. K-max pooling mencari K nilai terbesar
untuk setiap dimensinya (kemudian hasilnya digabungkan). Gabungan operasi
convolution dan pooling secara konseptual diilustrasikan pada Gambar. 13.7.
3
Kami ingin pembaca mengeksplorasi sendiri dynamic pooling.
172 13 Arsitektur Neural Network
13.1.3 Rangkuman
Ide dasar recurrent neural network (RNN) adalah membuat topologi jaringan
yang mampu merepresentasikan data sequential (sekuensial) atau time se-
ries [72], misalkan data ramalan cuaca. Cuaca hari ini bergantung kurang
lebih pada cuaca hari sebelumnya. Sebagai contoh apabila hari sebelumnya
4
mathworks.com
13.2 Recurrent Neural Network 173
mendung, ada kemungkinan hari ini hujan5 . Walau ada yang menganggap
sifat data sekuensial dan time series berbeda, RNN berfokus sifat data di-
mana instans waktu sebelumnya (t − 1) mempengaruhi instans pada waktu
berikutnya (t). Intinya, mampu mengingat history.
Secara lebih umum, diberikan sebuah sekuens input x = (x1 , · · · , xT ).
Data xt (i.e., vektor, gambar, teks, suara) dipengaruhi oleh data sebelum-
sebelumnya (history), ditulis sebagai P (xt | {x1 , · · · , xt−1 }). Kami harap
kamu ingat kembali materi markov assumption yang diberikan pada bab 8.
Pada markov assumption, diasumsikan bahwa data xt (data point) hanya
dipengaruhi oleh beberapa data sebelumnya saja (analogi: windowing).
Setidaknya, asumsi ini memiliki dua masalah:
1. Menentukan window terbaik. Bagaimana cara menentukan banyaknya
data sebelumnya (secara optimal) yang mempengaruhi data sekarang.
2. Apabila kita menggunakan markov assumption, artinya kita mengganggap
informasi yang dimuat oleh data lama dapat direpresentasikan oleh data
lebih baru (xt memuat informasi dari xt−J ; J adalah ukuran window ).
Penyederhanaan ini tidak jarang mengakibatkan informasi yang hilang.
RNN adalah salah satu bentuk arsitektur ANN untuk mengatasi masalah
yang ada pada markov assumption. Ide utamanya adalah memorisasi6 , kita
ingin mengingat keseluruhan sekuens (dibanding markov assumption yang
mengingat sekuens secara terbatas), implikasinya adalah RNN yang mampu
mengenali dependensi yang panjang (misal xt ternyata dependen terhadap
x1 ). RNN paling sederhana diilustrasikan pada Gambar. 13.9. Ide utamanya
adalah terdapat pointer ke dirinya sendiri.
5
Mohon bertanya pada ahli meteorologi untuk kebenaran contoh ini. Contoh ini
semata-mata pengalaman pribadi penulis.
6
Tidak merujuk hal yang sama dengan dynamic programming.
174 13 Arsitektur Neural Network
ht = f (xt , ht−1 )
= f (xt , f (xt−1 , ht−2 )) (13.2)
= f (xt , f (xt−1 , f ({x1 , · · · , xt−2 }, {h1 , · · · , ht−3 })))
8
Prinsip ini mirip dengan weight sharing.
176 13 Arsitektur Neural Network
Gambar 13.13. Konsep backpropagation through time [1]. Persegi berwarna merah
umumnya melambangkan multi-layer perceptron
Kita mempropagasi error dengan adanya efek dari next states of hid-
den layer. Synapse weights diperbaharui secara large update. Synapse weight
tidak diperbaharui per layer. Hal ini untuk merepresentasikan neural net-
work yang mampu mengingat beberapa kejadian masa lampau dan keputu-
san saat ini dipengaruhi oleh keputusan pada masa lampau juga (ingatan).
Untuk mengerti proses ini secara praktikal (dapat menuliskannya sebagai pro-
gram), penulis sarankan pembaca untuk melihat materi tentang computa-
tion graph 9 dan disertasi PhD oleh Mikolov [42].
Walaupun secara konseptual RNN dapat mengingat seluruh kejadian se-
belumnya, hal tersebut sulit untuk dilakukan secara praktikal untuk sekuens
yang panjang. Hal ini lebih dikenal dengan vanishing atau exploding gradient
problem [58, 75, 76]. Seperti yang sudah dijelaskan, ANN dan variasi arsitek-
turnya dilatih menggunakan teknik stochastic gradient descent (gradient-based
optimization). Artinya, kita mengandalkan propagasi error berdasarkan tu-
runan. Untuk sekuens input yang panjang, tidak jarang nilai gradient menjadi
sangat kecil dekat dengan 0 (vanishing) atau sangat besar (exploding). Ketika
pada satu hidden state tertentu, gradient pada saat itu mendekati 0, maka
nilai yang sama akan dipropagasikan pada langkah berikutnya (menjadi lebih
kecil lagi). Hal serupa terjadi untuk nilai gradient yang besar.
Berdasarkan pemaparan ini, RNN adalah teknik untuk merubah suatu
sekuens input, dimana xt merepresentasikan data ke-t (e.g., vektor, gam-
bar, teks) menjadi sebuah output vektor y. Vektor y dapat digunakan un-
tuk permasalahan lebih lanjut (buku ini memberikan contoh sequence to se-
quence pada subbab 13.4). Bentuk konseptual ini dapat dituangkan pada per-
samaan 13.3. Biasanya, nilai y dilewatkan kembali ke sebuah multi-layer per-
ceptron (MLP) dan fungsi softmax untuk melakukan klasifikasi akhir (final
output) dalam bentuk probabilitas, seperti pada persamaan 13.4.
y = RNN(x1 , · · · , xN ) (13.3)
9
https://www.coursera.org/learn/neural-networks-deep-learning/
lecture/4WdOY/computation-graph
13.3 Part-of-speech Tagging Revisited 177
Pada bab sebelumnya, kamu telah mempelajari konsep dasar recurrent neu-
ral network. Selain digunakan untuk klasifikasi (i.e., hidden state terakhir di-
gunakan sebagai input klasifikasi), RNN juga dapat digunakan untuk mem-
prediksi sekuens seperti persoalan part-of-speech tagging (POS tagging) [77,
78, 79]. Kami harap kamu masih ingat materi bab 8 yang membahas apa itu
persoalan POS tagging.
Diberikan sebuah sekuens kata x = {x1 , · · · , xT }, kita ingin mencari
sekuens output y = {y1 , · · · , yT } (sequence prediction); dimana yi adalah ke-
las kata untuk xi . Perhatikan, panjang input dan output adalah sama. Ingat
kembali bahwa pada persoalan POS tagging, kita ingin memprediksi suatu
kelas kata yang cocok yi dari kumpulan kemungkinan kelas kata C ketika
diberikan sebuah history seperti diilustrasikan oleh persamaan 13.5, dimana
ti melambangkan kandidat POS tag ke-i. Pada kasus ini, biasanya yang di-
cari tahu setiap langkah (unfolding) adalah probabilitas untuk memilih suatu
kelas kata t ∈ C sebagai kelas kata yang cocok untuk di-assign sebagai yi .
Ilustrasi diberikan oleh Gambar. 13.14.
Apabila kita melihat secara sederhana (markov assumption), hal ini tidak
lain dan tidak bukan adalah melakukan klasifikasi untuk setiap instance pada
sekuens input (persamaan 13.6). Pada setiap time step, kita ingin meng-
hasilkan output yang bersesuaian.
178 13 Arsitektur Neural Network
Akan tetapi, seperti yang sudah dibahas sebelum sebelumnya, markov as-
sumption memiliki kelemahan. Kelemahan utama adalah tidak menggunakan
keseluruhan history. Persoalan ini cocok untuk diselesaikan oleh RNN karena
kemampuannya untuk mengingat seluruh sekuens (berbeda dengan hidden
markov model (HMM) yang menggunakan markov assumption). Secara teori-
tis (dan juga praktis10 ), RNN lebih hebat dibanding HMM. Dengan ini, per-
soalan POS tagging (full history) diilustrasikan oleh persamaan 13.7.
Pada bab sebelumnya, kamu diberikan contoh persoalan RNN untuk satu
output; i.e., diberikan sekuens input, output-nya hanyalah satu kelas yang
mengkategorikan seluruh sekuens input. Untuk persoalan POS tagging, kita
harus sedikit memodifikasi RNN untuk menghasilkan output bagi setiap el-
emen sekuens input. Hal ini dilakukan dengan cara melewatkan setiap hid-
den layer pada RNN pada suatu jaringan (anggap sebuah MLP + softmax).
Kita lakukan prediksi kelas kata untuk setiap elemen sekuens input, kemu-
dian menghitung loss untuk masing-masing elemen. Seluruh loss dijumlahkan
untuk menghitung backpropagation pada RNN. Ilustrasi dapat dilihat pada
Gambar. 13.15. Tidak hanya untuk persoalan POS tagging, arsitektur ini da-
pat juga digunakan pada persoalan sequence prediction lainnya seperti named
entity recognition11 . Gambar. 13.15 mungkin agak sulit untuk dilihat, kami
beri bentuk lebih sederhananya (konseptual) pada Gambar. 13.16. Pada setiap
langkah, kita menentukan POS tag yang sesuai dan menghitung loss yang ke-
mudian digabungkan. Backpropagation dilakukan dengan mempertimbangkan
keseluruhan (jumlah) loss masing-masing prediksi.
Berdasarkan arsitektur yang sudah dijelaskan sebelumnya, prediksi POS
tag ke-i bersifat independen dari POS tag lainnya. Padahal, POS tag lain-
nya memiliki pengaruh saat memutuskan POS tag ke-i (ingat kembali materi
bab 8); sebagai persamaan 13.8.
Salah satu strategi untuk menangani hal tersebut adalah dengan mele-
watkan POS tag pada sebuah RNN juga, seperti para persamaan 13.9 [1] (ilus-
trasi pada Gambar. 13.17). Untuk mencari keseluruhan sekuens terbaik, kita
dapat menggunakan teknik beam search (detil penggunaan dijelaskan pada
subbab berikutnya). RNNx pada persamaan 13.9 juga lebih intuitif apabila
diganti menggunakan bidirectional RNN (dijelaskan pada subbab berikutnya).
10
Sejauh yang penulis ketahui. Tetapi hal ini bergantung juga pada variasi arsitek-
tur.
11
https://en.wikipedia.org/wiki/Named-entity_recognition
13.4 Sequence to Sequence 179
P (ti | y1 , · · · , yi−1 , x1 , · · · , xi ) =
(13.9)
softmax(MLP([RNNx (x1 , · · · , xi ); RNNtag (t1 , · · · , ti−1 )]))
13
Ingat kembali materi cross entropy!
13.4 Sequence to Sequence 181
14
Ingat kembali bab 12 untuk mengerti kenapa hal ini sangat diperlukan.
182 13 Arsitektur Neural Network
13.4.1 Encoder
ht = f (ht−1 , et )
(13.14)
= f (ht−1 U + et W)
c = q({h1 , · · · , hT }) (13.15)
Walaupun disebut sebagai representasi keseluruhan sekuens input, infor-
masi awal pada input yang panjang dapat hilang. Artinya c lebih banyak
memuat informasi input ujung-ujung akhir. Salah satu strategi yang dapat
digunakan adalah dengan membalik (reversing) sekuens input. Sebagai con-
toh, input x = (x1 , · · · , xT ) dibalik menjadi (xT , · · · , x1 ) agar bagian awal
(· · · , x2 , x1 ) lebih dekat dengan decoder [76]. Informasi yang berada dekat den-
gan decoder cenderung lebih diingat. Kami ingin pembaca mengingat bahwa
teknik ini pun tidaklah sempurna.
13.4.2 Decoder
Kotak berwarna ungu dan hijau dapat disebut sebagai lookup matrix atau
lookup table. Tugas mereka adalah mengubah input xt menjadi bentuk feature
vector -nya (e.g., word embedding) dan mengubah e0t menjadi yt (e.g., word
embedding menjadi kata). Komponen “Beam Search” dijelaskan pada subbab
berikutnya.
17
https://www.youtube.com/watch?v=j1H3jAAGlEA&t=2131s
13.4 Sequence to Sequence 185
T
X
kt = αt,i hi
i=1 (13.18)
exp(hi · h0t−1 )
αt,i = PT
z=1 exp(hz · h0t−1 )
Seperti yang dijelaskan pada bab 11 bahwa neural network susah untuk
dimengerti. Attention mechanism adalah salah satu cara untuk mengerti neu-
13.4 Sequence to Sequence 187
ral network. Contoh yang mungkin lebih mudah dipahami diberikan pada
Gambar. 13.24 yang merupakan contoh kasus mesin translasi [52]. Attention
mechanism mampu mengetahui soft alignment, yaitu kata mana yang harus
difokuskan saat melakukan translasi bahasa (bagian input mana berbobot
lebih tinggi). Dengan kata lain, attention mechanism memberi interpretasi
kata pada output berkorespondensi dengan kata pada input yang mana. Seba-
gai informasi, menemukan cara untuk memahami (interpretasi) ANN adalah
salah satu tren riset masa kini [51].
Gambar 13.24. Attention mechanism pada translasi bahasa [52]. Warna lebih
gelap merepresentasikan bobot (fokus/attention) lebih tinggi. Sebagai contoh, kata
“menendang” berkorespondensi paling erat dengan kata “kicks”
Selain RNN, kita juga dapat menggunakan bidirectional RNN (BiRNN) un-
tuk mengikutsertakan pengaruh baik hidden state sebelum (h1 , · · · , ht−1 ) dan
setelah (ht+1 , · · · , hT ) untuk menghitung hidden state sekarang (ht ) [80, 81,
82]. BiRNN menganggap ht sebagai gabungan (concatenation) forward hid-
den state h→ ←
t dan backward hidden state ht , ditulis sebagai ht = ht + ht
→ ← 18
.
Forward hidden state dihitung seperti RNN biasa yang sudah dijelaskan pada
subbab encoder, yaitu h→ t = f (h→
t−1 , et ).. Backward hidden state dihitung
dengan arah terbalik ht = f (h←
←
t+1 et ). Ilustrasi encoder -decoder yang meng-
,
gunakan BiRNN dapat dilihat pada Gambar. 13.25.
Selain variasi RNN menjadi BiRNN kita dapat menggunakan stacked RNN
seperti pada Gambar. 13.26 dimana output pada RNN pertama bertindak
sebagai input pada RNN kedua. Hidden states yang digunakan untuk meng-
hasilkan representasi encoding adalah RNN pada tumpukan paling atas. Kita
juga dapat menggunakan variasi attention mechanism seperti neural check-
list model [83] atau graph-based attention [84]. Selain yang disebutkan, masih
banyak variasi lain yang ada, silahkan eksplorasi lebih lanjut sendiri.
13.4.6 Rangkuman
gan kerangka multi -task learning. Akan tetapi, menentukan apakah dua task
memiliki nature yang mirip ibarat sebuah seni (butuh sense) dibanding hard
science [1].
T
X
q(Li , ...LT ) = Li (13.20)
i
13.7 Topik Khusus: Multi-task Learning 193
T
X
q(Li , ...LT ) = αi Li (13.21)
i
T
X 1 2
q(Li , ...LT ) =
2σ 2 Li + ln2σi (13.22)
i i
Soal Latihan
13.1. POS tagging
Pada subbab 13.3, disebutkan bahwa bidirectional recurrent neural network
lebih cocok untuk persoalan POS tagging. Jelaskan mengapa! (hint pada
bab 8)
13.2. Eksplorasi
Jelaskanlah pada teman-temanmu apa dan bagaimana prinsip kerja:
(a) Boltzman Machine
(b) Restricted Boltzman Machine
Bagian IV
Simon Sinek
Bab ini memuat contoh penggunaan machine learning untuk dua per-
masalahan praktis yaitu: (1) sistem rekomendasi dan (2) sistem peringkasan
dokumen. Dua domain ini dipilih karena tidak asing (familiar ) bagi penulis.
Seperti yang sudah dideskripsikan pada bab-bab sebelumnya, penerapan ma-
chine learning pada suatu domain membutuhkan pengetahuan/keahlian pada
domain tersebut. Bab ini tidak akan membahas domain secara detail, tetapi se-
cara abstrak (bertujuan memberikan gambaran/pengenalan). Untuk mengerti
domain yang dibahas secara mendalam, silakan membaca sumber lainnya.
Bab ini akan memuat secara sangat singkat, apa guna machine learning dan
pada contoh kasus seperti apa teknik machine learning diterapkan pada suatu
domain permasalahan. Tujuan bab ini adalah untuk memberikan gambaran,
bahwa mengetahui machine learning saja mungkin tidak cukup. Sekali lagi
kami ingin menekankan, pembaca harus mengerti domain aplikasi.
198 14 Penerapan Pembelajaran Mesin
Berdasarkan item embedding dan user embedding yang kita punya, kita
ganti kolom MovieId pada Tabel 14.2 menggunakan baris pada item embed-
ding. Sekarang, kita memiliki dataset behavior pengguna dengan UserId =
1 (Tabel 14.3). Perhatikan! Tabel tersebut seperti dataset machine learning
1
https://grouplens.org/datasets/movielens/
200 14 Penerapan Pembelajaran Mesin
yang sudah kamu pelajari pada bab-bab sebelumnya. Diberikan feature vector
dan kelas (Like or Not) yang berkorespondensi. Menggunakan data seperti
pada Tabel 14.3 yang dirata-ratakan, kita dapat menggunakan teknik machine
learning untuk memprediksi apakah suatu pengguna akan menyukai film ter-
tentu, berdasarkan genre yang dimuat oleh film tersebut. Sederhananya, bisa
menggunakan K-nearest-neighbor dengan menghitung cosine similarity an-
tara item embedding dan user embedding.
Teknik content-based filtering memiliki keunggulan dimana kita tidak
memerlukan banyak informasi tentang pengguna lain. Kita hanya memerlukan
informasi uraian item dan informasi karakteristik suatu pengguna. Hal ini
mengakibatkan rekomendasi yang diberikan sangat bergantung pada keprib-
adian pengguna. Apabila pengguna tidak konsisten, sistem rekomendasi juga
bingung.
Subbab ini akan memuat cerita singkat tentang peringkasan paper [102, 105].
Berdasarkan teori argumentative zoning [102], paper terdiri dari zona-zona
dengan tujuan komunikatif yang berbeda. Dengan bahasa yang lebih mudah,
tiap kalimat (unit informasi) pada paper memiliki tujuan komunikasi yang
berbeda. Misalnya ada kalimat yang menyatakan tujuan penelitian, latar be-
lakang penelitian, atau hasil penelitian. Tujuan komunikasi kalimat disebut
rhetorical categories [108].
Ringkasan, dalam bentuk abstrak atau judul paper memiliki pola [109,
105]. Dalam artian, suatu ringkasan bisa jadi hanya memuat informasi den-
gan rhetorical categories tertentu (tailored summary). Machine learning da-
pat digunakan untuk mengklasifikasikan kalimat (unit informasi) ke kelas
masing-masing [108, 105]. Pertama-tama setiap kalimat direpresentasikan
menjadi feature vector (ingat kembali materi bab 3 dan bab 4). Sebagai con-
toh, paper [105] merepresentasikan kalimat pada paper sebagai feature vector
berdasarkan fitur-fitur sebagai berikut:
1. Posisi. Lokasi kalimat dibagi dengan panjang teks (numerik).
2. Kata kunci (lexicon). Apakah kalimat memuat kata kunci yang eksklusif
untuk rhetorical category tertentu (biner – ya atau tidak).
3. Bobot kalimat, i.e., seberapa “penting” kalimat tersebut. Hal ini dapat
dihitung menggunakan TF-IDF (ingat bab 12) kata pada kalimat (nu-
merik).
4. Kategori sebelumnya. Rhetorical category kalimat sebelumnya (nominal).
Setelah diubah menjadi feature vector, teknik machine learning digunakan
untuk mengklasifikasikan kalimat menjadi kelas rhetorical categories yang
sesuai. Dengan demikian, kita dapat menyaring kalimat berdasarkan tipe in-
formasi mana yang kita inginkan, berdasarkan tujuan peringkasan. Selanjut-
nya, teknik NLP digunakan untuk memproses informasi yang disaring untuk
menghasilkan ringkasan. Materi tersebut diluar bahasan diktat ini.
14.3 Konklusi
Teknik machine learning sangatlah berguna untuk berbagai macam per-
masalahan. Tetapi perlu dipahami bahwa teknik yang ada belum mampu
memodelkan proses berpikir manusia dengan benar. Proses berpikir manusia
sangatlah kompleks, dan model yang ada sekarang ini adalah bentuk sim-
plifikasi. Sebagai contoh, seorang bayi sekali melihat anjing mungkin akan
mengetahui anjing lainnya walaupun tidak memiliki rupa yang sama per-
sis. Sementara itu, model machine learning harus diberikan banyak sampel.
Manusia memiliki otak yang luar biasa hebat karena mampu belajar dengan
sedikit contoh.
Persoalan-persoalan yang diberikan pada buku ini secara umum men-
cakup supervised dan unsupervised learning saja. Terdapat satu pemode-
lan masalah penting lainnya yaitu reinforcement learning dimana kita ingin
memaksimalkan hasil untuk sekuens aksi (sekuens keputusan). Setiap kepu-
tusan dapat diberikan bobot yang berbeda. Kemudian, agen memaksimalkan
nilai untuk sekuens keputusan (cummulative reward )2 . Pada supervised learn-
ing, kita hanya perlu membuat satu keputusan saja (menggolongkan data ke
kelas mana). Pada konferensi-konferensi, para master banyak menyebutkan
masa depan machine learning berada pada unsupervised atau reinforcement
learning. Aplikasi mutakhir yang ada sekarang ini didominasi oleh supervised
learning. Pada kenyataannya, sebagian besar (hampir semua) data yang ada
di dunia ini tidak berlabel. Karena itu, representasi data secara unsupervised
menjadi topik riset hangat (representation learning).
Buku ini telah menjelaskan berbagai macam teknik, tetapi perlu diketahui
bahwa materi yang diberikan adalah simplifikasi agar mampu dipahami secara
2
https://en.wikipedia.org/wiki/Reinforcement_learning
14.4 Saran Buku Lanjutan 205
intuitif. Selain itu, buku ini di desain sebagai materi pengantar saja. Untuk
memahami teknik machine learning secara lebih jauh dan sempurna, penulis
menyarankan untuk membaca buku referensi [8, 11].
Materi yang disajikan pada buku ini adalah persoalan-persoalan machine
learning dari sudut pandang optimisasi. Yaitu mencari himpunan (set of ) pa-
rameter agar model pembelajaran yang dibangun mampu memberi keputusan
yang optimal. Kami menyarankan pembaca untuk mencari referensi lebih jauh
tentang machine learning dari sudut pandang eksplorasi, yaitu mencari con-
cept space dimana model dapat bekerja dengan “baik”. Sebagai contoh, kita
memiliki sebuah mesin (fisik) dengan berbagai macam konfigurasi (parame-
ter). Apabila kita menjalankan mesin dengan konfigurasi parameter tertentu,
mesin akan rusak. Tugas kita adalah mencari parameters space dimana mesin
dapat berjalan dengan optimal dan tidak rusak. Sedangkan, pada persoalan
optimisasi, kita mencari satu konfigurasi terbaik.
Machine learning adalah bidang yang sangat luas (lebih luas dari apa
yang diceritakan pada buku ini) dan berkembang pesat. Penulis menyarankan
pembaca untuk membaca makalah dari konferensi3 top-tier untuk mengetahui
perkembangan terkini. Sebagai contoh (diurutkan berdasarkan abjad)4 :
• AAAI. AAAI Conference on Artificial Intelligence
• ACL. Annual Meeting of Association for Computational Linguistics
• CVPR. IEEE Conference on Computer Vision and Pattern Recognition
• EMNLP. Empirical Methods in Natural Language Processing
• ICCV. IEEE International Conference on Computer Vision
• ICLR. International Conference on Learning Representation
• ICML. International Conference on Machine Learning
• IJCAI. International Conference on Artificial Intelligence
• INTERSPEECH. Conference of the International Speech Association
• NeurIPS (dahulu disebut NIPS). Neural Information Processing System
• SIGIR. ACM Special Interest Group in Information Retrieval
• SIGKDD. ACM Special Interest Group in Knowledge Discovery and Data
Mining
3
Kamu lebih mudah mengetahui informasi terkini dari konferensi dibanding jurnal
karena proses review yang lebih cepat. Pada bidang keilmuan tertentu, konferensi
lebih penting dibanding jurnal.
4
Konferensi penting untuk bidang pemrosesan bahasa alami terdaftar pada https:
//aclanthology.coli.uni-saarland.de/
206 14 Penerapan Pembelajaran Mesin
1. Deep Learning oleh Ian Goodfellow et al. [11]. Banyak yang menggang-
gap buku ini sebagai “kitab” deep learning modern. Buku ini juga men-
cakup materi matematika dasar (e.g., aljabar linier) yang dibutuhkan un-
tuk mengerti deep learning.
2. Neural Network Methods in Natural Language Processing oleh Gold-
berg [1]. Buku ini ditujukan sebagai bahan transisi bagi peneliti bidang
pemrosesan bahasa alami untuk menggunakan metode neural network.
Apabila kamu tidak tertarik dengan pemrosesan bahasa alami, kamu bisa
membaca bab 1-5 pada buku ini sebagai pengenalan neural network.
3. Pattern Recognition and Machine Learning oleh Bishop [8]. Menurut
penulis, banyak yang tahu buku ini karena dianggap sebagai “kitab”. Pen-
jelasan buku ini sangat matematis dan relatif berat untuk dimengerti.
Tetapi, kamu dapat menjadi master apabila memahami seluruh materi
pada buku ini. Algoritma machine learning yang disajikan juga relatif
lebih “klasik” dibanding rekomendasi pertama.
4. Machine Learning oleh Tom Mitchel [4]. Buku ini memuat materi ma-
chine learning yang cukup “klasik”. Buku ini kurang lebih cocok sebagai
pengenalan, tapi relatif kurang dalam.
Sedikit tambahan pesan sponsor karena penulis berlatar belakang dari
bidang pemrosesan bahasa alami, penulis menyarankan membaca buku-buku
(teoritis) berikut sebagai dasar pengetahuan pemrosesan bahasa alami (diu-
rutkan dari konten paling dasar):
1. Foundations of Statistical Natural Language Processing oleh Christopher
D. Mannning dan Hinrich Schutze [59]. Buku ini dapat dideskripsikan
dengan satu kata, TOP. Buku ini memuat materi pemrosesan bahasa
alami dengan sudut pandang matematis, dapat dianggap sebagai frame-
work berpikir yang modern.
2. Speech and Language Processing oleh Daniel Jurafsky dan James H. Mar-
tin [12]. Buku ini jauh lebih tebal dari buku pertama dan memuat materi
yang lebih luas. Penulis merekomendasikan buku ini untuk mengetahui
permasalahan-permasalahan pemrosesan bahasa alami.
3. An introduction to Information Retrieval oleh Manning et al. [60]. Walaupun
berjududul information retrieval, penulis pertama kali mengenal konsep
embedding dari buku ini. Buku ini ditulis dengan apik.
4. Neural Network Methods in Natural Language Processing oleh Gold-
berg [1]. Apabila kamu telah membaca buku-buku yang disebutkan se-
belumnya, kamu dapat membaca buku ini untuk transisi ke metode neural
network.
Pada saat menulis buku ini, penulis berharap bisa menulis pada level di-
antara buku Tom Mitchel [4] dan Bishop [8] yaitu cukup matematis, lumayan
mudah dipahami, dan lumayan dalam. Mudah-mudahan pembaca merasa tu-
juan ini tercapai dan menikmati membaca buku ini. Sebagai kalimat penutup,
terimakasih sudah membaca sampai tahap ini.
14.4 Saran Buku Lanjutan 207
Soal Latihan
14.1. Cold Start Problem
(a) Jelaskan apa itu cold start problem pada sistem rekomendasi, serta bagaimana
cara menangani permasalahan tersebut!
(b) Pada teknik sistem rekomendasi manakah (content-based filtering atau
collaborative filtering) cold start problem mungkin muncul? Mengapa?
5
https://cran.r-project.org/web/packages/recommenderlab/index.html
6
https://dl.acm.org/citation.cfm?id=215333
7
http://www.aclweb.org/anthology/P16-1046
Referensi
19. Jeff Leek. The Elements of Data Analytic Style. Leanpub, 2015.
20. Takao Terano and Tsuyoshi Murata. Spring lecture on machine learning. Lec-
ture of Tokyo Institute of Technology, 2017.
21. Kishore Papineni, Salim Roukos, Todd Ward, and Wei-Jing Zhu. Bleu: A
method for automatic evaluation of machine translation. In Proceedings of the
40th Annual Meeting on Association for Computational Linguistics, ACL ’02,
pages 311–318, Stroudsburg, PA, USA, 2002. Association for Computational
Linguistics.
22. Chin-Yew Lin. Rouge: A package for automatic evaluation of summaries. In
Proc. ACL workshop on Text Summarization Branches Out, page 10, 2004.
23. Irina Rish. An empirical study of the naive bayes classifier. In IJCAI 2001
workshop on empirical methods in artificial intelligence, volume 3, pages 41–46.
IBM New York, 2001.
24. J. A. Hartigan and M. A. Wong. A k-means clustering algorithm. JSTOR:
Applied Statistics, 28(1):100–108, 1979.
25. T. Cover and P. Hart. Nearest neighbor pattern classification. IEEE Trans.
Inf. Theor., 13(1):21–27, September 2006.
26. John Duchi, Elad Hazan, and Yoram Singer. Adaptive subgradient methods
for online learning and stochastic optimization, 2010.
27. Corinna Cortes and Vladimir Vapnik. Support-vector networks. Machine
Learning, 20(3):273–297, Sep 1995.
28. Marti A. Hearst. Support vector machines. IEEE Intelligent Systems, 13(4):18–
28, July 1998.
29. J. R. Quilan. Discovering rules by induction from large collections of examples.
Edinburgh University Press, 1979.
30. J.R. Quinlan. Induction of decision trees. Mach. Learn., 1(1):81–106, March
1986.
31. C. E. Shannon. A mathematical theory of communication. The Bell System
Technical Journal, 27(3):379–423, 1948.
32. Takao Terano and Tsuyoshi Murata. Spring lecture on machine learning. Lec-
ture of Tokyo Institute of Technology, 2017.
33. L. R. Rabiner and B. H. Juang. An introduction to hidden markov models.
IEEE ASSp Magazine, 1986.
34. James Allen. Natural Language Understanding. Benjamin-Cummings Publish-
ing Co., Inc., 1995.
35. Vishal M. Patel, Raghuraman Gopalan, Ruonan Li, and Rama Chellappa. Vi-
sual domain adaptation: A survey of recent advances. IEEE Signal Process.
Mag., 32(3):53–69, 2015.
36. George Karypis Michael Steinbach and Vipin Kumar. A comparison of docu-
ment clustering techniques. In KDD Workshop on Text Mining, pages 525 –
526, 2000.
37. Omer I. E. Mohamed Fathi H. Saad and Rafa E. Al-Qutaish. Comparison of
hierarchical agglomerative algorithms for clustering medical documents. In-
ternational Journal of Software Engineering and Applications (IJSEA), 3(3),
2012.
38. Rajeev Rastogi Sudipto Guha and Kyuseok Shim. Cure: An efficient clustering
algorithm for large databases. In Proceedings of ACMSIGMOD International
Conference on Management of Data, pages 73 – 84, 1998.
39. Jack D. Cowan. Neural networks: The early days. In Proceedings of Advances
in Neural Information Processing Systems 2, 1989.
Referensi 211
40. Amir Atiya. Learning Algorithms for Neural Network. PhD thesis, California
Institute of Technology, 1994.
41. Al. Cripps. Using artificial neural nets to predict academic performance. In
Proceedings of the 1996 ACM Symposium on Applied Computing, pages 33–37,
1996.
42. Thomas Mikolov. Statistical Language Models Based on Neural Networks. PhD
thesis, Brno University of Technology, 2012.
43. Kai Chen Greg Corrado Thomas Mikolov, Ilya Sutskever and Jeffrey Dean.
Distributed representations of words and phrases and their compositionality.
In Proceedings of CoRR, 2013.
44. Gred Corrado Thomas Mikolov, Kai Chen and Jeffrey Dean. Efficient estima-
tion of word representations in vector space. In Proceedings of CoRR, 2013.
45. Kai Yu. Large-scale deep learning at baidu. In Proceedings of the 22nd ACM
International Conference on Information and Knowledge Management, pages
2211–2212, 2013.
46. M. A. Aizerman, E. A. Braverman, and L. Rozonoer. Theoretical foundations
of the potential function method in pattern recognition learning. In Automation
and Remote Control,, number 25, pages 821–837, 1964.
47. F. Rosenblatt. The perceptron: A probabilistic model for information storage
and organization in the brain. Psychological Review, pages 65–386, 1958.
48. Marvin L. Minsky and Seymour A. Papert. Perceptrons: Expanded Edition.
MIT Press, Cambridge, MA, USA, 1988.
49. D. E. Rumelhart, G. E. Hinton, and R. J. Williams. Parallel distributed pro-
cessing: Explorations in the microstructure of cognition, vol. 1. chapter Learn-
ing Internal Representations by Error Propagation, pages 318–362. MIT Press,
Cambridge, MA, USA, 1986.
50. Tao Lei, Regina Barzilay, and Tommi Jaakkola. Rationalizing neural predic-
tions. In Proceedings of the 2016 Conference on Empirical Methods in Natural
Language Processing, pages 107–117, Austin, Texas, November 2016. Associa-
tion for Computational Linguistics.
51. David Alvarez-Melis and Tommi Jaakkola. A causal framework for explain-
ing the predictions of black-box sequence-to-sequence models. In Proceedings
of the 2017 Conference on Empirical Methods in Natural Language Process-
ing, pages 412–421, Copenhagen, Denmark, September 2017. Association for
Computational Linguistics.
52. Dzmitry Bahdanau, KyungHyun Cho, and Yoshua Bengio. Neural machine
translation by jointly learning to align and translate. In Proceedings of the
International Conference on Learning and Representation (ICLR), 2015.
53. Thang Luong, Hieu Pham, and Christopher D. Manning. Effective approaches
to attention-based neural machine translation. In Proceedings of the 2015 Con-
ference on Empirical Methods in Natural Language Processing, pages 1412–
1421, Lisbon, Portugal, September 2015. Association for Computational Lin-
guistics.
54. Finale Doshi-Velez and Been Kim. A roadmap for a rigorous science of inter-
pretability. In ArXiv e-prints.
55. Jeffrey L. Elman. Learning and development in neural networks: The impor-
tance of starting small. Journal of Cognition, (48):71–99, 1993.
56. Yoshua Bengio, Jérôme Louradour, Ronan Collobert, and Jason Weston. Cur-
riculum learning. In Proceedings of the 26th Annual International Conference
212 Referensi
on Machine Learning, ICML ’09, pages 41–48, New York, NY, USA, 2009.
ACM.
57. Nitish Srivastava, Geoffrey Hinton, Alex Krizhevsky, Ilya Sutskever, and Rus-
lan Salakhutdinov. Dropout: A simple way to prevent neural networks from
overfitting. J. Mach. Learn. Res., 15(1):1929–1958, January 2014.
58. Dzmitry Bahdanau Kyunghyun Cho, Bart van Merrienboer and Yoshua Ben-
gio. On the properties of neural machine translation: Encoder–decoder ap-
proaches. In Proceedings of SSST-8, Eighth Workshop on Syntax, Semantics
and Structure in Statistical Translation, pages 103–111, Doha, Qatar, October
2014. Association for Computational Linguistics.
59. Christopher D. Manning and Hinrich Schutze. Foundations of Statistical Nat-
ural Language Processing. MIT Press, 1999.
60. Prabhakar Raghavan Christopher D. Manning and Hinrich Schutze. An Intro-
duction to Information Retrieval. Cambridge UP, 2009.
61. Andrew Y. Ng Richard Socher, Cliff Chiung-Yu Lin and Christopher D. Man-
ning. Parsing natural scenes and natural language with recursive neural net-
works. In Proceedings of the 28th International Conference on Machine Learn-
ing, 2011.
62. Jean Y. Wu Jason Chuang Richard Socher, Alex Perelygin and Christopher D.
Manning. Recursive deep models for semantic compositionality over a senti-
ment treebank. In Proceedings of the Emperical Methods in Natural Language
Processing, 2013.
63. Erhc H. Huang Andrew Y. Ng Richard Socher, Jeffrey Pennington and
Christoper D. Manning. Semi-supervised recursive autoencoders for predicting
sentiment distributions. In Proceedings of the Emperical Methods in Natural
Language Processing, 2011.
64. Quoc Le and Tomas Mikolov. Distributed representations of sentences and
documents. In Proceedings of the 31st International Conference on Machine
Learning, 2014.
65. Richard Socher Jeffrey Pennington and Christopher D. Manning. Glove: Global
vectors for word representation. In Proceedings of the Emperical Methods in
Natural Language Processing, pages 1532 – 1543, 2014.
66. Yoshua Bengio, Réjean Ducharme, Pascal Vincent, and Christian Janvin. A
neural probabilistic language model. J. Mach. Learn. Res., 3:1137–1155, March
2003.
67. Omer Levy, Yoav Goldberg, and Ido Dagan. Improving distributional similarity
with lessons learned from word embeddings. Transactions of the Association
for Computational Linguistics, 3:211–225, 2015.
68. Guoqiang Zhong, Li-Na Wang, Xiao Ling, and Junyu Dong. An overview on
data representation learning: From traditional feature learning to recent deep
learning. The Journal of Finance and Data Science, 2(4):265 – 278, 2016.
69. Peter D. Turney and Patrick Pantel. From frequency to meaning: Vector space
models of semantics. Journal of Artificial Intelligence Research, (37):141–188,
2010.
70. Jan Wira Gotama Putra and Takenobu Tokunaga. Evaluating text coher-
ence based on semantic similarity graph. In Proceedings of TextGraphs-11: the
Workshop on Graph-based Methods for Natural Language Processing, pages
76–85, Vancouver, Canada, August 2017. Association for Computational Lin-
guistics.
Referensi 213
71. Y. LeCun and Y. Bengio. Convolutional networks for images, speech, and
time-series. In M. A. Arbib, editor, The Handbook of Brain Theory and Neural
Networks. MIT Press, 1995.
72. Jeffrey L. Elman. Finding structure in time. Cognitive Science, 14(2):179–211,
1990.
73. Sepp Hochreiter and Jürgen Schmidhuber. Long short-term memory. Neural
Comput., 9(8):1735–1780, November 1997.
74. Paul J. Werbos. Backpropagation through time: what does it do and how to
do it. In Proceedings of IEEE, volume 78, pages 1550–1560, 1990.
75. Caglar Gulcehre Dzmitry Bahdanau Fethi Bougares HolgerSchwenk
Kyunghyun Cho, Bart van Merrienboer and Yoshua Bengio. Learning phrase
representations using rnn encoder–decoder for statistical machine translation.
In Proceedings of the 2014 Conference on Empirical Methods in Natural Lan-
guage Processing (EMNLP), pages 1724–1734, Doha, Qatar, October 2014.
Association for Computational Linguistics.
76. Ilya Sutskever, Oriol Vinyals, and Quoc V. Le. Sequence to sequence learn-
ing with neural networks. In Proceedings of the 27th International Conference
on Neural Information Processing Systems, NIPS’14, pages 3104–3112, Cam-
bridge, MA, USA, 2014. MIT Press.
77. Yan Shao, Christian Hardmeier, Jörg Tiedemann, and Joakim Nivre.
Character-based joint segmentation and pos tagging for chinese using bidirec-
tional rnn-crf. In Proceedings of the Eighth International Joint Conference on
Natural Language Processing (Volume 1: Long Papers), pages 173–183, Taipei,
Taiwan, November 2017. Asian Federation of Natural Language Processing.
78. Tobias Horsmann and Torsten Zesch. Do lstms really work so well for pos
tagging? – a replication study. In Proceedings of the 2017 Conference on Em-
pirical Methods in Natural Language Processing, pages 727–736, Copenhagen,
Denmark, September 2017. Association for Computational Linguistics.
79. Barbara Plank, Anders Søgaard, and Yoav Goldberg. Multilingual part-of-
speech tagging with bidirectional long short-term memory models and auxil-
iary loss. In Proceedings of the 54th Annual Meeting of the Association for
Computational Linguistics, ACL 2016, August 7-12, 2016, Berlin, Germany,
Volume 2: Short Papers, 2016.
80. Ryohei Sasano Hiroya Takamura Yuta Kikuchi, Graham Neubig and Man-
abu Okumura. Controlling output length in neural encoder-decoders. In Pro-
ceedings of the 2016 Conference on Empirical Methods in Natural Language
Processing, pages 1328–1338, Austin, Texas, November 2016. Association for
Computational Linguistics.
81. Ramesh Nallapati, Bowen Zhou, Cı́cero Nogueira dos Santos, and aglar Gülehre
and Bing Xiang. Abstractive text summarization using sequence-to-sequence
rnns and beyond. In CoNLL, 2016.
82. Yan-Kai Lin Cun-Chao Tu Yu Zhao Zhi-Yuan Liu Ayana, Shi-Qi Shen and
Mao-Song Sun. Recent advances on neural headline generation. Journal of
Computer Science and Technology, 32(4):768–784, Jul 2017.
83. Chloé Kiddon, Luke Zettlemoyer, and Yejin Choi. Globally coherent text gen-
eration with neural checklist models. In Proceedings of the 2016 Conference
on Empirical Methods in Natural Language Processing, pages 329–339, Austin,
Texas, November 2016. Association for Computational Linguistics.
84. Xiaojun Wan Jiwei Tan and Jianguo Xiao. Abstractive document summariza-
tion with a graph-based attentional neural model. In Proceedings of the 55th
214 Referensi
98. Daniele Pighin Enrique Alfonseca and Guillermo Garrido. Heady: News head-
line abstraction through event pattern clustering. In Proceedings of the 51st
Annual Meeting of the Association for Computational Linguistics (Volume 1:
Long Papers), pages 1243–1253, Sofia, Bulgaria, August 2013. Association for
Computational Linguistics.
99. Pierre-Etienne Genest and Guy Lapalme. Framework for abstractive sum-
marization using text-to-text generation. In Proceedings of the Workshop on
Monolingual Text-To-Text Generation, pages 64–73, Portland, Oregon, June
2011. Association for Computational Linguistics.
100. Shufeng Xiong and Donghong Ji. Query-focused multi-document summariza-
tion using hypergraph-based ranking. Inf. Process. Manage., 52(4):670–681,
July 2016.
101. David Zajic, Bonnie J. Dorr, and Richard Schwartz. Bbn/umd at duc-2004:
Topiary. In Proceedings of the North Americal Chapter of the Association for
Computational Linguistics Workshop on Document Understanding, pages 112–
119, 2004.
102. Simone Teufel and Marc Moens. Argumentative classification of extracted
sentences as a first step towards flexible abstracting. In Advances in automatic
Text Summarization, pages 155–171. MIT Press, 1999.
103. Bonnie J. Dorr, David Zajic, and Richard Schwartz. Hedge trimmer: A parse-
and-trim approach to headline generation. In Dragomir Radev and Simone
Teufel, editors, Proceedings of the HLT-NAACL 03 Text Summarization Work-
shop, pages 1–8, 2003.
104. Jurij Leskovec, Natasa Milic-Frayling, and Marko Grobelnik. Extracting sum-
mary sentences based on the document semantic graph. Microsoft Research,
2005.
105. Jan Wira Gotama Putra. Rhetorical sentence classification for automatic title
generation in scientific article. TELKOMNIKA, 15(2):656–664, 2017.
106. Jan Pedersen Julian Kupiec and Francine Chen. A trainable document summa-
rizer. In Proceedings of the 18th Annual International ACM SIGIR Conference
on Research and Development in Information Retrieval, SIGIR ’95, pages 68–
73, New York, NY, USA, 1995. ACM.
107. Hans-Martin Ramsl Daraksha Parveen and Michael Strube. Topical coher-
ence for graph-based extractive summarization. In Conference on Empirical
Methods in Natural Language Processing, pages 1949–1954. The Association
for Computational Linguistics, 2015.
108. Simone Teufel and Marc Moens. Summarizing scientific articles: Experiments
with relevance and rhetorical status. Comput. Linguist., 28(4):409–445, De-
cember 2002.
109. Diarmuid Ó Séaghdha and Simone Teufel. Unsupervised learning of rhetorical
structure with un-topic models. In Proceedings of COLING 2014, the 25th In-
ternational Conference on Computational Linguistics: Technical Papers, pages
2–13, Dublin, Ireland, August 2014. Dublin City University and Association
for Computational Linguistics.
110. Vibhu O. Mittal Michele Banko and Michael J. Witbrock. Headline generation
based on statistical translation. In Proceedings of the 38th Annual Meeting on
Association for Computational Linguistics, ACL ’00, pages 318–325, Strouds-
burg, PA, USA, 2000. Association for Computational Linguistics.
111. Jianpeng Cheng and Mirella Lapata. Neural summarization by extracting
sentences and words. CoRR, abs/1603.07252, 2016.
216 Referensi
https://wiragotama.github.io/